Taxa de amostragem

Taxa de amostragem (ou frequência de amostragem) é o número de amostras de áudio que são obtidas por segundo. A taxa de amostragem é medida em Hertz (Hz) ou em kilohertz (kHz). Por exemplo, uma taxa de 16.000 amostras por segundo é igual a 16.000 Hz (ou 16 kHz). Com o serviço Speech to Text, você especifica um modelo para indicar a taxa de amostragem de seu áudio:

• Os modelos banda larga e multimídia são usados para áudio que é amostrado em nada menos que 16 kHz, o que a IBM® recomenda para aplicativos responsivos em tempo real (por exemplo, para aplicativos de fala ao vivo).
• Os modelos banda estreita e telefonia são usados para áudio que é amostrado em nada menos que 8 kHz, que é a taxa normalmente usada para áudio telefônico.

O serviço suporta as duas taxas de amostragem para a maioria dos idiomas e formatos. Ele ajustará automaticamente a taxa de amostragem de seu áudio para corresponder ao modelo que você especificar antes que ele reconheça a fala.

• Para os modelos de banda larga e multimídia, o serviço converte áudio gravado em taxas de amostragem mais altas para 16 kHz.
• Para os modelos de banda estreita e de telefonia, ele converte áudio gravado em taxas de amostragem mais altas para 8 kHz.

Você pode, por exemplo, enviar áudio de 44 kHz com qualquer modelo, mas isso aumenta o tamanho do áudio sem necessidade. Para maximizar a quantia de áudio que você pode enviar, corresponda a taxa de amostragem de seu áudio ao modelo que você usa.

O serviço não aceita áudio que é amostrado a uma taxa menor que a taxa de amostragem do modelo. Por exemplo, não é possível utilizar um modelo de banda larga ou multimídia para reconhecer áudio que é amostrado a uma taxa de 8 kHz.

Taxa de bits

Taxa de bits é o número de bits de dados enviados por segundo. A taxa de bits para um fluxo de áudio é medida em kilobits por segundo (kbps). A taxa de bits é calculada por meio da taxa de amostragem e do número de bits armazenados por amostra. Para reconhecimento de voz, a IBM® recomenda que você registre 16 bits por amostra para seu áudio.

Por exemplo, o áudio que usa uma taxa de amostragem de banda larga de 16 kHz e 16 bits por amostra tem uma taxa de bits de 256 kbps: (16,000 * 16) / 1000.

Compactação

Acompactação é usada por muitos formatos de áudio para reduzir o tamanho dos dados de áudio. A compactação reduz o número de bits armazenados por amostra e, portanto, a taxa de bits. Alguns formatos usam sem compactação, mas a maioria oferece um dos dois tipos básicos:

• A compactaçãosem perdas reduz o tamanho do áudio sem perda de qualidade, mas a proporção de compactação é geralmente pequena.
• A compactaçãocom perdas reduz o tamanho do áudio por até 10 vezes, mas alguns dados e alguma qualidade são irrecuperavelmente perdidos na compactação.

É possível usar compactação para acomodar mais dados de áudio com a solicitação de reconhecimento de voz. Mas o tipo de compactação usado tem implicações para a qualidade de transcrição.

Canais

Canais indicam o número de fluxos do áudio gravado:

• O áudio Monaural (ou mono) tem somente um único canal.
• O áudioestereofônico (ou estéreo) normalmente tem dois canais.

O serviço Speech to Text aceita áudio com um máximo de 16 canais. Como ele usa somente um único canal para reconhecimento de voz, o serviço faz efetua downmix do áudio com diversos canais para um canal mono durante a transcodificação.

Ordenação

Ordenação indica como os bytes de dados são organizados pela arquitetura de computador subjacente:

• Big endian ordena os dados pelo bit mais significativo.
• Little endian ordena os dados pelo bit menos significativo.

O serviço Speech to Text detecta automaticamente a ordenação do áudio recebido.

Frequência de áudio

Frequência de áudio refere-se ao intervalo de frequências audíveis no áudio. A frequência audível padrão para humanos é geralmente aceita como 20 a 20.000 Hz. É possível usar a análise espectrográfica para produzir um espectrograma que revela o conteúdo de frequência de seu áudio.

A taxa de amostragem que é aplicada ao áudio é tipicamente duas vezes a frequência máxima do áudio. Por exemplo, uma taxa de amostragem de 16 kHz significa que a frequência máxima do sinal de áudio amostrado é de 8 kHz. Os modelos do serviço são criados com isso em mente.

• Os modelos de banda estreita são construídos com áudio que é amostrado em 8 kHz. Os modelos de banda estreita esperam localizar informações em um intervalo que seja menor que ou igual a 4 kHz.
• Os modelos de banda larga são construídos com áudio que é amostrado a 16 kHz. Os modelos de banda larga esperam localizar informações no intervalo de 4 a 8 kHz.

Os dados de treinamento para os modelos são derivados de diferentes canais (telefonia para modelos de banda estreita). Os modelos refletem as características dos canais nos quais eles foram treinados.