取樣率

取樣率（或取樣頻率）是指每秒取得的音訊樣本數目。 取樣率的測量單位是赫茲 (Hz) 或千赫 ( kHz)。 例如，每秒 16,000 個樣本的速率等於 16,000 赫玆（或 16 kHz）。 使用 Speech to Text 服務，您可以指定模型來指出音訊的取樣率：

• 寬頻和多媒體模型用於取樣頻率不低於 16 kHz, IBM®建議將其用於響應式即時應用程式（例如，即時語音應用程式）。
• 窄帶和電話模型用於以不低於 8 kHz,這是電話音頻通常使用的速率。

服務同時支援大部分語言及格式的取樣率。 它在辨識語音之前會先自動調整您音訊的取樣率，以符合您指定的模型。

• 對於寬頻和多媒體型號，該服務將以更高取樣率錄製的音訊轉換為 16 kHz。
• 對於窄頻和電話系統模型，它會將以較高取樣率錄製的音訊轉換為 8 kHz。

例如，您可以使用任何模型傳送 44 kHz 音訊，但這會不必要地增加音訊的大小。 若要讓您可以傳送的音訊量達到最大，請讓音訊的取樣率與您使用的模型相符。

此服務不接受取樣率低於模型取樣率的音訊。 例如，您無法使用寬頻或多媒體模型來辨識取樣率為 8 kHz的音訊。

位元速率

位元速率 是指每秒傳送的資料位元數。 音訊串流的位元速率是以每秒千位元 (kbps) 為單位測量。 以取樣率和每個樣本儲存的位元數來計算位元速率。 若為語音辨識，IBM® 建議您為音訊錄製每個樣本 16 位元。

例如，若音訊使用寬頻取樣率 16 kHz 和每個樣本 16 位元，則其位元速率為 256 kbps：(16,000 * 16) / 1000。

壓縮

許多音訊格式都使用壓縮 來減少音訊資料的大小。 壓縮可減少每個樣本儲存的位元數，進而降低位元速率。 部分格式不使用壓縮，但大部分提供下列兩種基本類型之一:

• 無失真 壓縮可減少音訊大小而不失去品質，但壓縮比例通常很小。
• 失真 壓縮可將音訊大小縮小到 10 倍之多，但在壓縮時會失去部分資料和某些品質而無法恢復。

您可以使用壓縮，在語音辨識要求中容納更多音訊資料。 但您使用的壓縮類型會影響轉錄品質。

頻道

頻道 指出所錄製音訊的串流數：

• 單聲道（或 mono）音訊僅有單一頻道。
• 立體聲（或 stereo）音訊一般有兩個頻道。

Speech to Text 服務接受最多 16 個頻道的音訊。 因為它只使用單一頻道進行語音辨識，因此在轉碼期間，此服務會將具有多個頻道的音訊降混成一個頻道 mono。

排列法

排列法 指出基礎電腦架構組織資料位元組的方式：

• 大序排列法 依最高有效位元來排序資料。
• 小序排列法 依最低有效位元來排序資料。

Speech to Text 服務會自動偵測送入音訊的排列法。

音訊頻率

音訊頻率 是指音訊中的有聲頻率範圍。 通常可以接受的人類標準有聲頻率為 20 到 20,000 赫玆。 您可以使用頻譜分析來產生頻譜，以顯示您音訊的頻率內容。

套用至音訊的取樣率通常是音訊的頻率上限的兩倍。 例如，取樣率 16 kHz 表示取樣音訊信號的頻率上限是 8 kHz。 此服務的模型是在此考量之下建立。

• 窄頻模型是以 8 kHz 取樣率的音訊來建置的。 窄頻模型預期在小於或等於 4 kHz 範圍內找到資訊。
• 寬頻模型是以 16 kHz 取樣率的音訊來建置的。 寬頻模型預期在 4 到 8 kHz 範圍內找到資訊。

模型的訓練資料衍生自不同的頻道（適用於窄頻模型的電話系統）。 這些模型反映其受訓練之頻道的特徵。