采样率

采样率（或采样频率）是指每秒获取的音频样本数。 采样率的度量单位为赫兹 (Hz) 或千赫兹 (kHz)。 例如，每秒 16,000 个样本的采样率等于 16,000 赫兹（或 16 千赫兹）。 通过 Speech to Text 服务，可指定用于指示音频采样率的模型：

• 宽带和多媒体模型用于采样频率不低于 16kHz,音频，IBM®建议将其用于反应灵敏的实时应用（例如，实时语音应用）。
• 窄带和电话型号用于采样频率不低于 8kHz,音频，这是电话音频通常使用的速率。

该服务支持大多数语言和格式的采样率。 服务在识别语音之前，会自动调整音频的采样率，以便与指定的模型相匹配。

• 对于宽带和多媒体型号，该服务可将以较高采样率录制的音频转换为 16kHz。
• 对于窄带和电话模型，它将以更高采样率记录的音频转换为 8 kHz。

例如，您可以使用任何模型发送 44 个 kHz 音频，但这会不必要地增加音频的大小。 要最大限度提高可以发送的音频量，请使音频采样率与使用的模型相匹配。

该服务不接受采样率低于模型采样率的音频。 例如，不能使用宽带或多媒体模型来识别以 8 kHz速率采样的音频。

比特率

比特率是指每秒发送的数据比特数。 音频流比特率的度量单位为千位/秒 (kbps)。 比特率是根据采样率和每个样本存储的比特数计算的。 对于语音识别，IBM® 建议为音频录制 16 比特/样本。

例如，对于使用宽带采样率 16 千赫兹和 16 比特/样本的音频，其比特率为 256 千位/秒：(16,000 * 16) / 1000。

压缩

许多音频格式都会使用压缩，以减小音频数据的大小。 压缩可减小每个样本存储的比特数，从而降低比特率。 某些格式不使用压缩，但大多数提供以下两种基本类型之一:

• 无损压缩可减小音频的大小，而不会损失质量，但压缩率通常较小。
• 有损压缩可使音频大小最高减小 10 倍，但在压缩中会不可挽回地损失一些数据和一定程度的质量。

您可以使用压缩来容纳语音识别请求中的更多音频数据。 但是，您使用的压缩类型会影响转录质量。

通道

声道指示所录制音频的流数：

• 单声道音频只有一个声道。
• 立体声音频通常有两个声道。

Speech to Text 服务接受最多有 16 个声道的音频。 由于服务仅将单声道用于语音识别，因此在代码转换期间会将多声道音频缩混成单声道音频。

字节序

字节序指示底层计算机体系结构如何组织数据的字节：

• 大尾数法按最高有效位对数据排序。
• 小尾数法按最低有效位对数据排序。

Speech to Text 服务会自动检测传入音频的字节序。

音频频率

音频频率是指音频中人耳可以听到的频率的范围。 人耳可听到的标准频率公认为是 20 到 20,000 赫兹。 可以使用声谱分析来生成显示音频频率内容的声谱图。

应用于音频的采样率通常是音频最大频率的两倍。 例如，采样率为 16 千赫兹，表示被采样音频信号的最大频率为 8 千赫兹。 创建服务的模型时，请记住这一点。

• 窄带模型是使用采样率为 8 千赫兹的音频构建的。 窄带模型应该查找范围小于或等于 4 千赫兹的信息。
• 宽带模型是使用采样率为 16 千赫兹的音频构建的。 宽带模型应该查找 4-8 千赫兹范围内的信息。

模型的训练数据源自不同通道（电话用于窄带模型）。 模型可反映出对其进行训练的通道的特征。