WAVファイルを文字起こし — ロスレス音声、無駄な処理なし

WAVの真の利点：ロッシーエンコーディングアーティファクトがないこと。MP3はプリエコー、帯域制限、ステレオイメージングアーティファクトを生じます。AACは異なるが類似のアーティファクトを生じます。WAVにはこれらがありません。困難な音声（小声、強いアクセント、重なる声）では、このクリーンな信号が精度の向上に確実に役立ちます。

人間の音声は8kHz以下に集中しています。44.1kHzのWAVは22kHzまでの周波数をキャプチャします — 音声に重要な範囲をはるかに超えています。96kHzや192kHzでの録音は音声モデルが完全に無視する超音波周波数をキャプチャします。高レートファイルは内部でリサンプリングするため、同じ録音の96kHz WAVと44.1kHz WAVは同一の文字起こしを生成します。

16ビット音声のダイナミックレンジは96dBです。人間の音声のダイナミックレンジは通常40〜50dBです。24ビットは144dBのダイナミックレンジを提供します — 音楽マスタリングには有用ですが、音声認識には無関係です。16ビットの録音は24ビットと同様に正確に文字起こしされます。

Pro Tools、Logic、Ableton、Reaperなどの DAWはデフォルトで32ビットfloat WAVファイルをエクスポートします。これらを問題なく処理します — 内部変換中のクリッピングや精度損失なしにfloatサンプルが直接処理されます。

放送やスタジオのWAVファイルには2チャンネル以上が含まれることがあります — サラウンドサウンドミックス、個別マイクフィード、マルチトラックバウンスなど。すべてのチャンネルを処理し、ミックス内のどこに音声があっても捕捉します。