Форматы аудио: mp3, wav, m4a, ogg, opus, flac и amr — что брать под речь

Форматы аудио: семь расширений, которые реально приходят в работу

Одна и та же часовая встреча приезжает тремя разными файлами: диктофон на телефоне отдал m4a на сорок мегабайт, коллега выложил wav на полтора гигабайта, а из мессенджера пришло ogg на восемь. Форматы аудио различаются не «качеством вообще», а тремя вещами: что кодек выбросил из сигнала, сколько весит результат и как это отражается на распознавании речи. Разберём семь расширений, которые встречаются в работе, на одной шкале.

Расширение в имени файла называет коробку, а не звук: в m4a лежит либо сжатый AAC, либо запись без потерь, в ogg почти всегда Opus. Как устроена самая частая четвёрка и чем открывать каждое расширение на своей системе, разобрано отдельно — чем отличается mp3 от wav, m4a и ogg. Здесь важнее другое: что происходит со звуком внутри и как это меняет текст на выходе.

Что кодек выбрасывает и почему это уже не вернуть

Разница между тремя классами не в цифрах на упаковке, а в том, что физически осталось в файле. Несжатый wav хранит все отсчёты подряд. FLAC пакует их плотнее, но так, что при распаковке получается ровно исходный сигнал. MP3, AAC, Opus и AMR выбрасывают часть звука — те детали, которые, по расчётам кодека, человек всё равно не расслышит.

Ключевое свойство третьего класса: выброшенное не восстанавливается. Перегнать mp3 обратно в wav можно за минуту, вернуть в него потерянное — нельзя ничем. Поэтому вопрос «какой формат лучше» почти всегда сводится к вопросу «в каком виде запись родилась».

У flac нет привычного битрейта: авторы формата прямо пишут, что битрейт здесь не задаётся, а размер получается примерно пропорционален количеству информации в исходном сигнале. На практике это значит, что ровная тихая речь ужимается сильнее музыки, но точное число заранее не назовёт никто — файл получится таким, какой сигнал.

Сколько весит час речи: от пяти мегабайт до шестисот

Вес — единственное, где разница между форматами измеряется в разах, а не в оттенках. Считается он просто: для несжатого wav это частота × разрядность × число каналов, для всего остального — битрейт × время.

Отсюда практический вывод про длинные записи. Vibe2Text принимает файлы до 4 ГБ и до 6 часов, и в эти рамки укладывается всё, кроме одного случая: шестичасовая запись в wav 44,1 кГц стерео — это 3,8 ГБ, впритык к границе. Такую запись проще один раз сохранить в моно, чем воевать с загрузкой: как уменьшить размер аудиофайла — отдельный разбор с готовыми командами.

Opus, FLAC и AMR: три формата за пределами привычной четвёрки

Про mp3, wav, m4a и ogg знают все. Три оставшихся расширения приходят реже, но именно на них чаще всего спотыкаются: одно слишком экономное, второе слишком тяжёлое, третье вообще не открывается.

Opus — самый экономный и самый жадный до битов

Opus — современный кодек общего назначения: по официальному описанию он работает в диапазоне от 6 до 510 кбит/с, с частотами от 8 кГц (узкая полоса) до 48 кГц (полная) и кадрами от 2,5 до 60 миллисекунд. Для голоса разработчики рекомендуют 12 кбит/с на узкой полосе, 16–20 на широкой и 28–40 на полной — речь у него помещается туда, где mp3 уже рассыпается. Поэтому мессенджеры и шлют голосовые в ogg с Opus внутри: минута разговора весит меньше фотографии.

Обратная сторона — соблазн выкрутить экономию до предела. По нашим замерам на реальных записях встреч при агрессивном сжатии в Opus страдает не разборчивость слов, а разделение спикеров: кодек, экономящий каждый бит, стирает тембровые различия, по которым голоса и разводятся, и два участника начинают слипаться в одну метку. Слова при этом читаются, а «кто это сказал» — уже нет.

Вывод простой: голосовые из мессенджеров грузите как есть — они уже записаны с разумными настройками, и opus в текст переводится напрямую. А вот сами пережимать встречу в Opus на 8–12 кбит/с ради экономии места не стоит: сэкономите двадцать мегабайт и потеряете разметку говорящих.

FLAC — без потерь, но и без выигрыша для текста

FLAC сжимает звук «без какой-либо потери качества»: при распаковке получается исходный сигнал отсчёт в отсчёт. Для архива это идеально, для расшифровки нейтрально — распознаванию достаётся ровно то же, что было бы из wav, при заметно меньшем весе. Единственная особенность — совместимость: не всякий бытовой плеер и не всякая программа монтажа его открывают, зато flac в текст расшифровывается без промежуточной конвертации.

AMR — наследство старых диктофонов и голосовой почты

AMR писали для мобильной связи, и это видно по числам: восемь режимов от 4,75 до 12,2 кбит/с при частоте дискретизации 8000 Гц и кадрах по 20 миллисекунд. Восемь килогерц — это полоса обычного телефонного канала, то есть верх спектра срезан ещё при записи; более поздний AMR-WB работает на 16 кГц и звучит заметно чище. Час разговора в amr весит пять с половиной мегабайт — ровно поэтому формат до сих пор живёт в автоответчиках и диктофонах десятилетней давности.

Что с ним делать: amr в текст расшифровывается как есть, но ожидания стоит держать телефонные. Цифры, фамилии и продиктованные по буквам адреса сверяйте по записи — клик по реплике проигрывает именно её. Улучшить исходник нельзя: того, что не попало в файл при записи, в нём нет.

Нужен ли WAV: формат без сжатия и что он даёт на самом деле

Wav-формат — это несжатый поток отсчётов плюс небольшой заголовок. Он не «чище» и не «лучше» сам по себе, он просто ничего не выбрасывает. Если запись изначально сделана в wav с приличной частотой, это лучший исходник, который бывает. Если же вы получили mp3 и сохранили его в wav, чтобы «поднять качество», не произошло ничего, кроме роста файла примерно в одиннадцать раз: 128 кбит/с у mp3 против 1411 у wav 44,1 кГц стерео — и ровно те же потери внутри.

Есть один случай, когда wav действительно нужен: запись идёт в монтаж, чистку или склейку нескольких дорожек. Промежуточные сохранения там делают без сжатия, чтобы не накапливать потери от каждой перекодировки. Для расшифровки этот шаг лишний — wav в текст и mp3 в текст дают одинаковый результат, если исходник один и тот же.

Что делать с экзотикой: dss, wma, 3gp, aiff и прочими

Раз в месяц приходит файл, который не открывается ничем. Обычно это одно из пяти.

• DSS и DS2 — форматы профессиональных диктофонов, на которых работают юристы, врачи и следователи. Экономичные, с собственными полями для номера дела и автора, но проприетарные: бытовому плееру они не по зубам, нужна программа производителя или конвертер.
• WMA — наследство старых Windows-рекордеров и офисной звукозаписи. На Windows открывается само собой, на телефоне и на Mac — уже нет.
• 3GP и 3GA — контейнеры мобильной эпохи, внутри обычно AMR или AAC. Видеорасширение на файле, где нет картинки, пугает сильнее, чем стоит.
• AIFF и CAF — родственники wav из мира Apple: тот же несжатый звук, другой заголовок. Вес и поведение такие же, как у wav.
• APE, WavPack, DSD — форматы для коллекций музыки. В рабочих записях появляются почти всегда по ошибке экспорта.

Правило для всех пяти строк одно: не ищите «правильный формат», проверьте, открывается ли файл хоть чем-нибудь. Открывается — грузите как есть. Не открывается — перегоняйте один раз и сразу в тот вид, который дальше никто трогать не будет.

Список того, что принимается без конвертации, длиннее привычной четвёрки и собран на отдельной странице: поддерживаемые форматы аудио и видео. Если исходник — видео, вытаскивать из него звук вручную тоже не требуется; когда это всё-таки нужно для других задач, есть разбор про извлечение аудио из видео.

Правило одной перекодировки

Каждое сжатие с потерями накладывается на предыдущее. Файл, который записали в m4a, переслали мессенджером (тот пережал его в свой формат), а потом сохранили в mp3 «для надёжности», прошёл три сжатия подряд — и от исходной записи в нём осталось заметно меньше, чем после любого одного из них. Отсюда правило: перекодировка допускается одна и только тогда, когда без неё нельзя.

1. Начните с оригинала. Файл из кабинета телефонии, с карты диктофона, из панели записи встречи — а не копия, которую вам переслали в чате.
2. Проверьте, играет ли он. Если запись открывает любой плеер, конвертация не нужна вообще: грузите как есть.
3. Не «улучшайте» перед загрузкой. Ни перевод в wav, ни поднятие битрейта, ни шумоподавление не добавят в запись того, чего в ней нет.
4. Если конвертировать всё-таки надо — делайте это один раз и из самого раннего файла, до всех пересылок и сохранений.
5. Целевые настройки для речи: mp3, 64 кбит/с, 16 кГц, моно. По нашим проверкам это лучший компромисс между весом и тем, что доходит до распознавания: полоса разборчивости сохраняется целиком, а час укладывается в 29 мегабайт.
6. Ниже не опускайтесь. Выигрыш в мегабайтах там уже копеечный, а разметка говорящих начинает рассыпаться раньше, чем слова.

Как из любого из этих форматов получить текст

Дальше всё одинаково, независимо от расширения: файл загружается как есть, а обратно приходит текст, где реплики разложены по говорящим и у каждой стоит время от начала записи. Перевод речи в текст не требует ни выбора кодека, ни предварительной подготовки — распознавание работает с тем, что внутри файла.

1. Файлmp3, m4a, wav, ogg, opus, flac или amr
2. Загрузкаперетаскиванием или по ссылке
3. Расшифровкатекст со спикерами и таймкодами
4. Документсаммари, задачи, экспорт

Что действительно меняется от формата — не сам факт распознавания, а качество распознавания речи на выходе. Узкая полоса amr и предельно сжатый opus дают больше ошибок в фамилиях и числах, чем m4a с диктофона. Wav и flac преимущества перед mp3 не дают, если исходник один и тот же: они хранят то же самое, только дороже.

И главное, что стоит унести из всего сравнения: выбирать нужно не расширение, а момент. Формат, в котором запись создана, почти всегда лучше любого, в который вы переведёте её потом.

Частые вопросы

Проверено 14 августа 2026 по публичным спецификациям кодеков. Диапазон битрейтов Opus от 6 до 510 кбит/с, частоты от 8 кГц до 48 кГц и кадры от 2,5 до 60 мс — по официальному описанию кодека и спецификации RFC 6716; рекомендованные для голоса 12 кбит/с на узкой полосе, 16–20 на широкой и 28–40 на полной — по рекомендациям Xiph. Восемь режимов AMR от 4,75 до 12,2 кбит/с, частота дискретизации 8000 Гц, кадры по 20 мс и 16000 Гц у AMR-WB — по RFC 4867. Определение FLAC как сжатия «без какой-либо потери качества» и отсутствие задаваемого битрейта («the resulting bitrate is roughly proportional to the amount of information in the original signal») — по документации проекта FLAC. Требование к голосовым сообщениям — кодек Opus в контейнере OGG с одним аудиоканалом — по документации Telegram Bot API. Размеры файлов посчитаны из битрейта и параметров потока.