Ile miejsca zajmuje nagranie rozmowy? WAV, MP3 i kodeki telefoniczne

To, ile miejsca zajmuje nagranie rozmowy, zależy przede wszystkim od łącznej przepływności zapisu i czasu trwania. Godzina dźwięku przy 64 kbit/s to 28,8 MB danych, do których dochodzi narzut pliku. Samo rozszerzenie WAV, MP3 czy M4A nie wystarczy do dokładnego oszacowania rozmiaru. Trzeba jeszcze ustalić sposób kodowania, liczbę kanałów i parametry faktycznie zapisanego nagrania.

Format pliku, kodek i parametry – trzy różne informacje

Kontener określa, jak plik porządkuje dane dźwiękowe oraz informacje potrzebne do ich odczytania. Kodek określa sposób kodowania i odtwarzania dźwięku. Parametry zapisu opisują między innymi przepływność, częstotliwość próbkowania i liczbę kanałów. Te pojęcia są powiązane, ale nie można używać ich zamiennie.

WAV jest formatem pliku, w którym często znajduje się nieskompresowany liniowy PCM. Nie oznacza to jednak, że każdy WAV zawiera taki zapis: może przenosić także inne odmiany kodowania. Rozszerzenie M4A również nie wskazuje jednego kodeka. W takim pliku można spotkać na przykład stratny AAC albo bezstratny ALAC. Z kolei MP3 oznacza określony sposób stratnego kodowania dźwięku i jest też zwyczajową nazwą plików z takim strumieniem.

Przy porównaniu dwóch nagrań sprawdź więc więcej niż nazwę. Przydatny zestaw informacji obejmuje:

• format pliku i rozpoznany kodek;
• czas odtwarzania oraz rozmiar w bajtach;
• liczbę kanałów i częstotliwość próbkowania;
• łączną przepływność, a przy liniowym PCM również liczbę bitów na próbkę;
• stałą albo zmienną przepływność, jeśli program pokazuje tę informację.

Dwa pliki WAV trwające po godzinie mogą mieć bardzo różne rozmiary. Podobnie dwa pliki MP3 nie muszą zajmować tyle samo miejsca, nawet gdy oba są monofoniczne. Bez odczytu parametrów porównanie samych rozszerzeń może prowadzić do błędnych wniosków.

G.711, G.729 i Opus w połączeniu a zapis w archiwum

Kodek używany podczas rozmowy nie musi być kodekiem pliku, który pobierzesz z systemu nagrywającego. System może zachować zakodowany dźwięk albo go zdekodować i zapisać w innym formacie. Może też połączyć obie strony rozmowy w jeden kanał lub przechowywać je oddzielnie. Konkretny sposób działania trzeba ustalić w dokumentacji używanego urządzenia lub aplikacji i potwierdzić na wyeksportowanym pliku.

G.711 to zalecenie ITU-T dotyczące kodowania PCM sygnału mowy. Klasyczny strumień G.711 ma przepływność 64 kbit/s na kanał. Nie należy jednak utożsamiać go z liniowym PCM o dowolnych parametrach. Jeżeli dźwięk zostanie zapisany jako liniowy PCM o częstotliwości 8 kHz i rozdzielczości 16 bitów, jeden kanał będzie wymagał 128 kbit/s. Taka konwersja zwiększa rozmiar, ale nie odzyskuje szczegółów utraconych wcześniej.

G.729 w podstawowym wariancie koduje mowę przy 8 kbit/s, co wskazuje już tytuł zalecenia ITU-T. Daje to znacznie mniejszy strumień niż G.711. Nie oznacza jednak automatycznie ośmiokrotnie mniejszego pliku archiwalnego: po konwersji do innego kodeka rozmiar wynika z nowych parametrów.

Opus, opisany w RFC 6716, obsługuje zakres od 6 do 510 kbit/s, mono i stereo oraz różne tryby przepływności. Sama informacja „nagranie w Opus” nie wyznacza więc rozmiaru godziny. Dokumentacja opisuje również ograniczanie transmisji podczas ciszy, czyli DTX. Oszczędności zależą od włączenia tej funkcji i sposobu przechowywania dźwięku; nie należy zakładać ich bez sprawdzenia zapisu.

Jak obliczyć rozmiar godziny nagrania rozmowy

Podstawowy rachunek wygląda tak: rozmiar danych w bajtach ≈ łączna przepływność w bit/s × czas w sekundach ÷ 8. Dzielimy przez osiem, ponieważ jeden bajt ma osiem bitów. W tych obliczeniach 1 kbit/s oznacza 1000 bitów na sekundę, a godzina ma 3600 sekund.

Dla 64 kbit/s otrzymujemy 64 000 × 3600 ÷ 8 = 28 800 000 bajtów. To 28,8 MB albo około 27,47 MiB. MB oznacza milion bajtów, natomiast MiB oznacza 1 048 576 bajtów. Przed porównaniem wyniku z odczytem systemowym sprawdź jednostkę. Różnica pomiędzy tymi wartościami sama w sobie nie oznacza brakujących danych.

Łączna przepływność zapisu	Dane dźwiękowe przez godzinę	W przybliżeniu w MiB
8 kbit/s	3,6 MB	3,43 MiB
32 kbit/s	14,4 MB	13,73 MiB
64 kbit/s	28,8 MB	27,47 MiB
128 kbit/s	57,6 MB	54,93 MiB
256 kbit/s	115,2 MB	109,86 MiB

Tabela jest przykładem obliczeniowym, a nie pomiarem konkretnej aplikacji. Uwzględnia sam strumień przy podanej stałej przepływności. Plik zawiera jeszcze nagłówki, metadane lub inne elementy struktury. Przy zmiennej przepływności, nazywanej VBR, do rachunku potrzebna jest średnia z całego nagrania; chwilowa albo maksymalna wartość może dać mylący wynik.

Rozmiar pliku nie jest też tym samym co ilość danych przesłanych podczas połączenia. Transmisja sieciowa obejmuje dodatkowe nagłówki protokołów. Z kolei pozycja „rozmiar na dysku” może uwzględniać sposób przydzielania miejsca przez system plików. Do pierwszego porównania z obliczeniami użyj długości pliku wyrażonej w bajtach.

Mono i stereo: kiedy mnożyć przez dwa

W nieskompresowanym liniowym PCM przepływność oblicza się jako częstotliwość próbkowania × liczba bitów na próbkę × liczba kanałów. Dla 8000 próbek na sekundę, 16 bitów i jednego kanału wynik wynosi 128 000 bit/s. Godzina to 57,6 MB danych. Przy dwóch kanałach i identycznych pozostałych parametrach otrzymamy 256 000 bit/s i 115,2 MB.

Ta reguła nie oznacza, że każdy plik opisany jako stereo wymaga dodatkowego mnożenia. Jeśli program podaje łączną przepływność 64 kbit/s dla całego nagrania, oba kanały są już w niej uwzględnione. Godzina nadal odpowiada 28,8 MB strumienia. Ponowne pomnożenie przez dwa zawyży wynik.

Inaczej wygląda rachunek, gdy system zapisuje dwa osobne strumienie, każdy po 64 kbit/s. Ich łączna przepływność wynosi 128 kbit/s. Zsumuj wtedy rozmiary obu plików lub obu ścieżek. Dwie osoby uczestniczące w rozmowie nie oznaczają automatycznie dwóch kanałów w nagraniu. O tym decyduje sposób zapisu, a nie liczba rozmówców.

WAV czy MP3 – zgodność odtwarzania i konwersja

WAV z liniowym PCM jest często wygodny do dalszej obróbki, lecz zwykle potrzebuje więcej miejsca niż stratnie skompresowany zapis mowy. MP3 może ułatwić odtwarzanie i zmniejszyć plik, ale efekt zależy od wybranej przepływności oraz jakości źródła. Nie ma jednego ustawienia gwarantującego czytelność wszystkich rozmów. Cichy głos, hałas i nakładające się wypowiedzi utrudniają ocenę na podstawie samych liczb.

Jeżeli plik się nie otwiera, nie zmieniaj wyłącznie jego rozszerzenia. Nadanie końcówki .mp3 plikowi WAV nie przeprowadza konwersji. Odtwarzacz musi obsługiwać zarówno strukturę pliku, jak i zakodowany w nim dźwięk. Przyczyną problemu może być też niepełny eksport albo uszkodzony plik.

1. Zachowaj oryginał i wykonaj kopię do prób.
2. Sprawdź rozmiar, czas trwania i rozpoznany kodek w programie odczytującym informacje o plikach audio.
3. Porównaj dane z dokumentacją funkcji eksportu. Jeśli zapis jest niepełny, spróbuj ponownego eksportu ze źródła.
4. Jeśli potrzebujesz konwersji, wykonaj ją na kopii w narzędziu obsługującym format wejściowy.
5. Odsłuchaj początek, środek i koniec wyniku, sprawdź czas trwania oraz obecność głosu obu stron.

Ponowne stratne kodowanie może pogorszyć zrozumiałość. Zapisanie skompresowanego źródła jako dużego WAV nie poprawi automatycznie jego jakości. Przy rozdzielonych kanałach sprawdź również, czy konwersja zachowała oba; pominięcie jednej ścieżki może usunąć wypowiedzi jednego rozmówcy.

Jak przełożyć wynik na pojemność archiwum

Przy planowaniu miejsca na nagrania trzeba uwzględnić także pliki zapisywane bezpośrednio na własnym urządzeniu. Przykładem jest bitCaller, który użytkownikom ototelefon.pl umożliwia nagrywanie rozmów i przechowywanie nagrań lokalnie na komputerze lub telefonie. Rozmiar takiego archiwum najlepiej oszacować na podstawie próbnych nagrań, zamiast zakładać format lub przepływność plików.

Najlepszą podstawą planowania jest kilka reprezentatywnych plików wyeksportowanych z docelowymi ustawieniami. Dodaj ich rozmiary i podziel przez łączny czas trwania w godzinach. Otrzymasz rzeczywiste zużycie miejsca na godzinę dla tej próbki, razem z narzutem plików. Warto uwzględnić zarówno krótkie, jak i długie rozmowy oraz różne warunki dźwiękowe, szczególnie przy VBR.

Przykładowo tysiąc godzin strumienia 64 kbit/s daje 28,8 GB danych w jednostkach dziesiętnych, jeszcze bez narzutu. To punkt wyjścia do planowania. Do wyniku dodaj miejsce na metadane, dodatkowe wersje i kopie, jeśli będą przechowywane, oraz zapas wynikający z przewidywanego przyrostu. Pojemność nośnika nie rozstrzyga, jak długo należy zachowywać nagrania.

Po zmianie kodeka, liczby kanałów lub sposobu eksportu powtórz pomiar próbki. Taki pomiar pokazuje, ile zajmuje rzeczywisty plik w archiwum, i pozwala wykryć różnicę między ustawieniami połączenia a parametrami zapisu.

Aktualizacja: 6 listopada 2026 r.

Źródła

• ITU-T, zalecenie G.711 (11/1988): Pulse code modulation (PCM) of voice frequencies, itu.int/rec/T-REC-G.711.
• ITU-T, zalecenie G.729 (06/2012): Coding of speech at 8 kbit/s using conjugate-structure algebraic-code-excited linear prediction (CS-ACELP), itu.int/rec/T-REC-G.729.
• IETF, RFC 6716: Definition of the Opus Audio Codec, wrzesień 2012, sekcje 2.1.1–2.1.4 oraz 2.1.8–2.1.9, rfc-editor.org/rfc/rfc6716.

Zdjęcie: Raimond Spekking, CC BY-SA 4.0 (creativecommons.org/licenses/by-sa/4.0/), Wikimedia Commons, commons.wikimedia.org/wiki/File:Airy_by_CnMemory,_external_hard_disk-3140.jpg