От звуковой волны к цифровому звуку: что записывает микрофон при диктовке
Как микрофон и устройство превращают речь в числа: частота дискретизации, разрядность, моно, передискретизация и почему расположение микрофона важнее характеристик.
Коротко
Голос — это волна давления. Микрофон превращает её в электрический сигнал, а преобразователь измеряет этот сигнал тысячи раз в секунду. Для речи классический формат — 16 000 измерений в секунду по 16 бит. Большие цифры не гарантируют лучшего распознавания: чёткий голос рядом с микрофоном значит гораздо больше, чем характеристики.
Вы сказали
опаздываю минут на десять начинайте без меня
SayVelio напечатал
Опаздываю минут на 10, начинайте без меня.
Звук начинается с движения воздуха
Когда вы говорите, голосовые связки, язык и губы создают в воздухе крошечные быстрые перепады давления. У микрофона есть тонкая мембрана, которая движется вместе с ними и превращает движение в меняющееся напряжение — аналоговую волну, повторяющую ваш голос.
Компьютер не может хранить непрерывную волну, поэтому аналого-цифровой преобразователь (обычно встроенный в ноутбук, телефон или гарнитуру) измеряет её через равные промежутки времени. Каждое измерение — это отсчёт, который хранится как число.

Частота дискретизации: как часто измеряется сигнал
Частота дискретизации — это число измерений в секунду. 16 000 Гц (16 кГц) означает 16 000 отсчётов каждую секунду; 48 кГц — 48 000.
Частота дискретизации задаёт самую высокую частоту, которую может удержать запись: примерно половину от неё. Запись в 16 кГц сохраняет звуки до 8 кГц, и этого хватает для понимания речи. Классический телефонный звук сохраняет только частоты примерно до 3,4 кГц — вот почему по телефону так легко спутать «с» и «ф».
Разрядность: насколько точно хранится каждый отсчёт
Разрядность (битовая глубина) — сколько разных значений может принимать отсчёт. У 16-битного звука 65 536 возможных уровней. Это точность измерения и ничего больше: речевая модель не различает от этого 65 536 разных звуков.
Запись для диктовки обычно моно: один канал, один отсчёт на каждый момент. Стерео добавляет второй канал, который распознаванию почти не помогает.
Сколько данных в нескольких секундах речи
Арифметика простая: 16 000 отсчётов × 16 бит = 256 000 бит в секунду моно-звука, то есть 32 КБ в секунду без заголовков файла. 30-секундная диктовка без сжатия — около 1 МБ. Для современной связи это немного, но когда приложение отправляет много записей, объём растёт, поэтому некоторые приложения сначала сжимают звук (см. сжатие звука для речи).
Передискретизация — не просто смена цифры
Многие микрофоны пишут в 48 кГц, а многие модели распознавания ждут 16 кГц. Перевести одно в другое — не значит просто переподписать файл: сначала звук надо отфильтровать от частот, которые низкая частота дискретизации не удержит, иначе они «завернутся» обратно в запись в виде искажений (это называется алиасингом). Операционная система и аудиобиблиотеки делают это за вас, но это ещё одна причина не конвертировать звук туда-обратно.
Важнее всего микрофон и помещение
Всё это происходит до распознавания, и никакая программа не восстановит слова, которые микрофон не записал чётко. На практике:
- Главное — расстояние. Гарнитура или встроенный микрофон ноутбука прямо перед вами лучше веб-камеры через всю комнату. Дальний микрофон ловит больше эха.
- Слишком близко — хлопки. Если говорить прямо в микрофон, на «п» и «б» появляются выбросы воздуха.
- Проверьте, какой вход выбран. При подключении наушников компьютер может переключить микрофон. На Mac это «Системные настройки» → «Звук» → «Вход», в Windows — «Параметры» → «Система» → «Звук».
- Дайте приложению доступ к микрофону. Без него приложение получает тишину.
Совет
Если диктовка вдруг стала хуже, сначала проверьте устройство ввода. Переключение на микрофон Bluetooth-гарнитуры часто снижает качество: многие гарнитуры, пока работает микрофон, переходят в узкий «телефонный» режим звука.
Частые вопросы
Даёт ли более высокая частота дискретизации лучшую диктовку?
Не обязательно. Большинство моделей распознавания внутри работают с 16 кГц, так что запись в 48 кГц всё равно будет понижена. Чёткий голос и правильное положение микрофона важнее.
Нужен ли внешний микрофон?
Обычно нет. Встроенных микрофонов современных ноутбуков и телефонов достаточно для диктовки в тихой комнате. Гарнитура помогает в опенспейсе и в шумных местах.


