转写 MP3

不少人习惯在上传前先转成 MP3，但通常没有必要。平台支持直接上传 35 种扩展名，涵盖手机、录音笔和剪辑软件常见的输出格式。

再次有损编码会进一步损失细节，辅音尤其容易变模糊。如果原文件是 .m4a 语音备忘录、录音笔的 .wav 或手机的 .mov，通常直接上传原文件更合适。

如果瓶颈是上传速度，MP3 的小体积才更有价值。128 kbps 的一小时音频约为 58 MB，而一小时视频可能达到约 2 GB，具体取决于编码和码率。

下表为生产环境实测中位数，换算为每小时音频的处理耗时，不包含固定完成时限承诺。

样本包含 7,743 个 MP3，约占上传文件的五分之一。时长中位数为 14 分 12 秒，对应识别约 21 秒；九成文件短于 65 分钟，对应约一分半钟。实际总耗时还包括上传、排队和其他处理。

通常不会明显改善。模型使用 16 kHz 单声道，两种输入都会转换为相同规格。样本中 MP3 的码率中位数为 128 kbps，这并非识别上的明显劣势。

极低码率才更值得注意。大约低于 32 kbps 时，有损编码可能明显破坏辅音细节，重采样也无法恢复。64–320 kbps 范围内，其他录音条件通常更重要。

尤其要注意文件是否多次有损编码，以及麦克风距离、房间回声和重叠讲话。

MP3 通常先达到时长限制。128 kbps 的 5 GB 音频约可容纳 87 小时，远超过 Premium 的 8 小时上限。样本中已处理的最大 MP3 为 785 MB。其他套餐的限制更低。

• 按场次拆分，不要截断句子。在不同录音或自然停顿处分段，避免一个词被切到两个文件中。
• 可变码率也可处理。VBR 文件可正常上传；缺失或错误的 VBR 头可能导致部分播放器显示错误时长，并不代表音频内容无法识别。