በwhispertranscribe.ai የአርትኦት ቡድን · የመጨረሻ ዝማኔ ኖቬምበር 2026 · 12 ደቂቃ ንባብ
ቀረጻውን እርስዎ ሲያዘጋጁ፣ ለጽሑፍ ቅየራ ምርጡ ቅርጸት መረጃ የማያጣ WAV (16-ቢት PCM) ወይም FLAC፣ በሞኖ እና በ16 kHz ወይም በላይ ነው። MP3፣ M4A ወይም የቪዲዮ ፋይል ካለዎት እንዳለ ይስቀሉ። የተጨመቀን ፋይል መቀየር የጠፉ ዝርዝሮችን አይመልስም። የማይክሮፎን ርቀትና ጫጫታ የበለጠ ተጽዕኖ አላቸው።
ከታች ከመቅዳት በፊት የሚመርጡት፣ የተሰጥዎትን ፋይል እንዴት እንደሚይዙ፣ የመጠን ቀመሮች፣ በሁኔታው የሚለያዩ ቅንብሮች፣ የFFmpeg ትእዛዞችና የመፍትሔ ሰንጠረዥ ቀርበዋል።
ስለ አሳታሚው። ይህን መመሪያ whispertranscribe.ai ያትማል። የቴክኒክ መረጃው ወደ Google Cloud፣ የOpenAI Whisper ኮድ፣ FFmpeg ወይም የኮንግረስ ቤተ መጻሕፍት ያገናኛል። ለጽሑፉ የትክክለኛነት ሙከራ አልተደረገም፣ አንድ ቅርጸት በተወሰነ መቶኛ ውጤትን እንደሚያሻሽልም ቃል አልተገባም።
ለቅየራ የሚስማማው የድምፅ ቅርጸት በአጭሩ
በሥራ ሂደትዎ ላይ ባሉበት ደረጃ መሠረት ይምረጡ።
| ሁኔታዎ | ምርጡ ምርጫ | ምክንያት |
|---|---|---|
| መቅጃ ወይም መተግበሪያ እያዘጋጁ ነው | WAV (16-ቢት) ወይም FLAC፣ ሞኖ፣ 16 kHz ወይም ከዚያ በላይ | Google ለንግግር ማወቂያ መረጃ የማያጣ FLAC ወይም LINEAR16 ይመክራል |
| ሲቀዱ ትናንሽ ፋይሎች ይፈልጋሉ | ለንግግር የሚስማማ መረጃ የሚያጣ ኮዴክ በመካከለኛ የቢት ፍጥነት | Google በቅደም ተከተል AMR-WB፣ Ogg Opus፣ Speexን ይመርጣል |
| MP3፣ M4A ወይም Opus አለዎት | ዋናውን ይስቀሉ | ዳግም ኮድ ማድረግ የጠፋ ዝርዝር አይመልስም |
| ቪዲዮ አለዎት (MP4፣ MOV፣ MKV) | ይስቀሉ፣ ግዙፍ ከሆነ ድምፁን ይለዩ | የሚጠቀመው የድምፅ ትራኩን ብቻ ነው |
| ተናጋሪዎች በተለያዩ ትራኮች ተቀድተዋል | ትራኮቹን ያቆዩ | እያንዳንዱ ሰው የራሱ ቻናል ካለው ለየብቻ እንዲላኩ Google ይመክራል |
ቅርጸቱ ብዙ የማያሳስብበት ጊዜ፡ የስልክ ድምፅ ማስታወሻ፣ የታተመ ፖድካስት፣ ወይም የZoom ወይም Teams ቅጂ። ይስቀሉ፣ የተነገረውን ቋንቋ ይምረጡ፣ ጊዜዎንም ስሞችን ለመፈተሽ ያውሉ።
ቅርጸት፣ ኮዴክና መያዣ፡ የፋይል ቅጥያው የማያሳየው
ቅጥያው የመያዣውን ስም ይገልጻል፣ የማመቂያ ዘዴውን ሁልጊዜ አይገልጽም። የGoogle የድምፅ ማመቻቸት መማሪያ ኮዴክና የፋይል ቅርጸት እንደሚለያዩ ይገልጻል። ሦስት የተለመዱ ምሳሌዎች።
- WAV ብዙ ጊዜ ያልተጨመቀ መስመራዊ PCM ይይዛል፣ ሌሎች ኮዴኮችንም ሊይዝ ይችላል (የኮንግረስ ቤተ መጻሕፍት፣ WAVE)።
- M4A መረጃ የሚያጣ AAC ወይም መረጃ የማያጣ Apple Lossless (ALAC) ሊይዝ ይችላል።
- OGG ብዙ ጊዜ መረጃ የሚያጡትን Opus ወይም Vorbis የሚይዝ መያዣ ነው።
በፋይሉ ውስጥ ያለውን ለማየት የFFmpeg ffprobe የድምፅ ፍሰቶችን ብቻ እንዲያሳይ ያድርጉ።
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
የመነሻ ጽሑፉ አዘጋጆች ይህን በFFmpeg 7.1.5 በአጭር የሙከራ ቪዲዮ ላይ አስኪደዋል። ለእያንዳንዱ የድምፅ ፍሰት አንድ መስመር አሳይቷል። ድምፁ በተወገደበት ቅጂ ላይ ምንም አላሳየም። የድምፅ ትራክ የሌለውን ፋይል ከመስቀል በፊት ይህን በመጠቀም በፍጥነት መለየት ይችላሉ።
የድምፅ ቅርጸቶች ንጽጽር
ከታች ያሉት ሁሉ ወደ ጽሑፍ ይቀየራሉ። ልዩነቱ የቀረው መረጃና የፋይሉ መጠን ነው። መጠኖቹ በሚቀጥለው ክፍል ካሉ ቀመሮች የተሰሉ ናቸው (1 MB = 1,000,000 ባይቶች)።
| ቅርጸት | መረጃ ያጣል ወይስ ያቆያል | የተለመደ ምንጭ | መጠን በደቂቃ (የቅንብር ምሳሌ) | በቅየራ ላይ ተጽዕኖ | ምን ይደረግ |
|---|---|---|---|---|---|
| WAV (PCM) | ያልተጨመቀ | የመስክ መቅጃዎች፣ የድምፅ አርታዒዎች | 1.92 MB በ16 kHz፣ 16-ቢት ሞኖ፣ 10.58 MB በ44.1 kHz፣ 16-ቢት ስቴሪዮ | ማይክሮፎኑ የያዘውን በሙሉ ያቆያል | ለዋና ቅጂ ምርጥ፣ ረዥም ቅጂዎችን ሲያዘጋጁ መጠኑን ይፈትሹ |
| FLAC | መረጃ አያጣም (የተጨመቀ) | ማኅደሮች፣ ከአርታዒ የሚወጡ ፋይሎች | ከተመሳሳይ WAV ያንሳል፣ የሚቆጥበው መጠን ይለያያል | ከመነሻው WAV ጋር ተመሳሳይ ድምፅ | ቦታ ለመቆጠብ በWAV ፈንታ ይጠቀሙ |
| AIFF / ALAC / CAF | AIFF ብዙ ጊዜ ያልተጨመቀ፣ ALAC መረጃ አያጣም፣ CAF ሁለቱንም ሊይዝ ይችላል | Mac እና iPhone መተግበሪያዎች | AIFF በተመሳሳይ ቅንብሮች ከWAV ጋር እኩል ነው | በውስጡ ባለው ኮዴክ ይወሰናል | እንዳለ ይስቀሉ |
| MP3 | መረጃ ያጣል | ፖድካስቶች፣ የወረዱ ፋይሎች | 0.96 MB በ128 kbps | Google መረጃ የሚያጡ ኮዴኮች ትክክለኛነትን ሊቀንሱ እንደሚችሉ ይገልጻል | እንዳለ ይስቀሉ |
| M4A / AAC | ብዙ ጊዜ መረጃ ያጣል (AAC) | የድምፅ ማስታወሻ፣ የቪዲዮ ድምፅ | 0.48 MB በ64 kbps | ከMP3 ጋር ተመሳሳይ ጥንቃቄ | ዋናውን ይስቀሉ |
| OGG / Opus | መረጃ ያጣል | የድምፅ መልእክቶች፣ የድር ጥሪዎች | 0.24 MB በ32 kbps | Opus ለንግግር መረጃ ከሚያጡት የGoogle ምርጫዎች አንዱ ነው | እንዳለ ይስቀሉ |
| AMR (ጠባብ ድግግሞሽ) | መረጃ ያጣል፣ ንግግር ብቻ | የቆዩ ስልኮችና የጥሪ መቅጃዎች | ወደ 0.09 MB በ12.2 kbps | ከ200 እስከ 3,400 Hz ብቻ ይሸከማል (የኮንግረስ ቤተ መጻሕፍት፣ AMR) | እንዳለ ይስቀሉ፣ የናሙና ድግግሞሹን አይጨምሩ |
የቪዲዮ ፋይሎችም እንዲሁ ናቸው። መሣሪያው የድምፅ ትራኩን ያነባል። የሚሰቀለው ፋይል ብቻ ይተልቃል።
የድምፅ ፋይል ምን ያህል ነው? የመጠን ቀመሮች
ከመቅዳትዎ ወይም ከመስቀልዎ በፊት የፋይል መጠንን በሁለት ቀመሮች ይገምቱ።
ያልተጨመቀ PCM (WAV፣ AIFF)፡
ባይቶች በሰከንድ = የናሙና ድግግሞሽ × (የቢት ጥልቀት ÷ 8) × የቻናሎች ብዛት
የስሌት ምሳሌዎች።
- 16 kHz፣ 16-ቢት፣ ሞኖ፡ 16,000 × 2 × 1 = 32,000 ባይቶች በሰከንድ። × 60 = 1,920,000 ባይቶች፣ ወደ 1.92 MB በደቂቃ፣ ወይም 115.2 MB በሰዓት።
- 44.1 kHz፣ 16-ቢት፣ ስቴሪዮ፡ 44,100 × 2 × 2 = 176,400 ባይቶች በሰከንድ፣ ወደ 10.58 MB በደቂቃ፣ ወይም 635 MB በሰዓት።
- 48 kHz፣ 24-ቢት፣ ስቴሪዮ፡ 48,000 × 3 × 2 = 288,000 ባይቶች በሰከንድ፣ ወይም 1,036.8 MB በሰዓት።
በቋሚ የቢት ፍጥነት መረጃ የሚያጣ ቅርጸት (MP3፣ AAC፣ Opus)፡
ባይቶች በደቂቃ = የቢት ፍጥነት በkbps × 1,000 ÷ 8 × 60 (ማለትም kbps × 7,500)
- 128 kbps፡ 128 × 7,500 = 960,000 ባይቶች፣ ወደ 0.96 MB በደቂቃ፣ ወይም 57.6 MB በሰዓት።
- 64 kbps፡ 0.48 MB በደቂቃ፣ 32 kbps፡ 0.24 MB በደቂቃ።
የፋይል ራስጌዎች መጠኑን በትንሹ ያሳድጋሉ። ተለዋዋጭ የቢት ፍጥነት ያላቸው ፋይሎች በአማካይ ዙሪያ ይለዋወጣሉ። የሁለትዮሽ አሃዶችን (MiB) የሚያሳዩ ኮምፒውተሮች 5% ገደማ ያነሰ ቁጥር ያሳያሉ።
ቁጥሮቹ ለ5GB እና 10 ሰዓት የመስቀል ገደብ ምን ማለት ናቸው?
whispertranscribe.ai እስከ 5GB እና 10 ሰዓት ፋይሎችን ይቀበላል። 5GB ማለት 5,000,000,000 ባይቶች ከሆነ የተለመዱ ቅንብሮች እንዲህ ይገጥማሉ።
| ቅንብር | 1 ሰዓት | 10 ሰዓት | 10 ሰዓት ከ5GB በታች ይገባል? |
|---|---|---|---|
| WAV፣ 16 kHz፣ 16-ቢት፣ ሞኖ | 115.2 MB | 1.15 GB | አዎ |
| WAV፣ 44.1 kHz፣ 16-ቢት፣ ስቴሪዮ | 635 MB | 6.35 GB | አይ፣ 7.9 ሰዓት ገደማ ይገባል |
| WAV፣ 48 kHz፣ 24-ቢት፣ ስቴሪዮ | 1.04 GB | 10.37 GB | አይ፣ 4.8 ሰዓት ገደማ ይገባል |
| MP3፣ 128 kbps | 57.6 MB | 576 MB | አዎ |
| Opus፣ 32 kbps | 14.4 MB | 144 MB | አዎ |
መደበኛ WAV የራሱ ገደብም አለው። በ32-ቢት የመጠን መስኩ ወደ 4 GB ይገደባል፣ ረዥም ቅጂዎች RF64 ማስፋፊያ ይፈልጋሉ (የኮንግረስ ቤተ መጻሕፍት)። በጣም ረዥም መረጃ የማያጣ ቅጂ FLAC ወይም 16 kHz ሞኖ WAV ሁለቱንም ችግሮች ይቀርፋል።
ከድምፅ ቅርጸት በላይ የሚጠቅሙ ነገሮች
ከማይክሮፎን አጠገብ በጠራ ድምፅ የተቀዳ MP3 ብዙ ጊዜ በጫጫታ ክፍል ማዶ ከተቀዳ መረጃ የማያጣ ፋይል ይሻላል። ውጤቱን በዋናነት የሚወስኑት እነዚህ ቅንብሮችና ልምዶች ናቸው።
የናሙና ድግግሞሽ፡ 16 kHz ይበቃል?
አዎ፣ ለንግግር። Google 16,000 Hz ወይም ከዚያ በላይ ይመክራል (ምርጥ አሠራሮች)። በመመሪያው ዝቅተኛ ድግግሞሽ ከ8 kHz በላይ ትንሽ ወይም ምንም መረጃ እንደማያቆይ ያብራራል። የOpenAI ክፍት ምንጭ Whisper ኮድ ድምፁ ወደ ሞዴሉ ከመግባቱ በፊት ሁሉንም ወደ 16,000 Hz ሞኖ ይቀይራል (whisper/audio.py)። በ44.1 ወይም 48 kHz መቅዳት ጥሩ ነው፣ ፋይሉ ግን ይተልቃል።
በኋላ ድግግሞሹን ማሳደግ አይረዳም። Google ከ8 kHz ወደ 44.1 kHz የተቀየረ ፋይል አሁንም 4 kHz ገደማ ብቻ እንደሚይዝ ይገልጻል። ብዙ ጊዜ 8,000 Hz የሆነውን የስልክ ድምፅ በመጀመሪያው ድግግሞሽ ይስቀሉ።
የቢት ጥልቀት፡ 16-ቢት ወይስ 24-ቢት?
Google 16 ቢቶች ወይም በላይ ይመክራል። 8-ቢት ድምፅን ወደ 16-ቢት መቀየር ምንም እንደማይጨምር ይገልጻል፣ የድምፅ ደረጃ ክልሉ በቀረጻ ጊዜ ስለሚወሰን። የመቅጃዎን 24-ቢት እንደነበር ማቆየት ችግር የለውም። 16-ቢትን ወደ 24-ቢት መቀየር ግን ምንም አይጨምርም።
ለተጨመቁ ፋይሎች የቢት ፍጥነት
ጥሩ ቅየራን የሚያረጋግጥ የቢት ፍጥነት የሚወስን መመዘኛ የለም። የGoogle መመሪያ ስለ ኮዴኩ ዓይነት ነው። መረጃ የሚያጡ ኮዴኮች ትክክለኛነትን ሊቀንሱ ይችላሉ፣ ጫጫታ ወይም አስተጋባ ደግሞ ያን ኮዴክ ሲጠቀሙ የበለጠ ይጎዳል። ማመቅ ካለብዎት በመካከለኛ ቅንብር አንድ ጊዜ ያድርጉ። ከWAV ወደ MP3፣ ከዚያ ወደ OGG ያሉ ተከታታይ ለውጦችን ያስወግዱ።
የማይክሮፎን ርቀት፣ ጫጫታና የድምፅ ደረጃዎች
ከGoogle የድምፅ ቅድመ ሂደት ምክር።
- በተለይ የጀርባ ድምፅ ሲኖር፣ ማይክሮፎኑን በተቻለ መጠን ወደ ተናጋሪው ያቅርቡ።
- የድምፅ ጫፎች እንዳይቆረጡ ይጠንቀቁ። የተዛባ ድምፅ በኋላ አይጠገንም።
- መተግበሪያዎ ከፈቀደ ራስ-ሰር የድምፅ ጥንካሬ ቁጥጥርና የጫጫታ ቅነሳን ያጥፉ። Google ከማወቂያ በፊት ጫጫታ መቀነስ አብዛኛውን ጊዜ ትክክለኛነትን እንደሚያንስ ይገልጻል።
ሞኖ ወይስ ስቴሪዮ?
ሁሉም አንድ ማይክሮፎን ሲጋሩ ሞኖ ይበቃል። Whisper ስቴሪዮን ወደ ሞኖ ይቀላቅላል። ተመሳሳይ ድምፅ በሁለቱ ጎኖች ካለ ስቴሪዮ የፋይሉን መጠን እጥፍ ብቻ ያደርገዋል። እንደ ብዙ የጥሪ መቅጃዎች ወይም በቻናል አንድ የልብስ ማይክሮፎን ሲኖር በእያንዳንዱ ጎን የተለየ ሰው ካለ ስቴሪዮውን ያቆዩ። በዚያ ሁኔታ Google እያንዳንዱን ቻናል ለየብቻ፣ የተቀላቀለውን ቅጂ ደግሞ እንዳለ እንዲልኩ ይመክራል።
ብዙ ትራክ ያላቸው ቅጂዎች
የፖድካስትና የርቀት ቃለ መጠይቅ መሣሪያዎች ብዙ ጊዜ እያንዳንዱን ሰው በተለየ ትራክ ይቀዳሉ። አንድ የተቀላቀለ ትራክ አውጥተው የተናጋሪ መለያን ያብሩ (ቀላሉ)፣ ወይም እያንዳንዱን ትራክ ለየብቻ ቀይረው ጽሑፎቹን በጊዜ ምልክት ያዋህዱ (ጠራ ድምፅ፣ ግን እርስዎ ያዋህዳሉ)።
የሚመከሩ ቅርጸቶችና ቅንብሮች በሁኔታ
ብዙ ጊዜ ፋይሉ አለዎት። መልሱም ብዙ ጊዜ እንዳለ መስቀል ነው።
| ሁኔታ | ሲቀዱ ይምረጡ | ፋይሉ ካለዎት | ከመስቀል በፊት | የሚጠነቀቁት |
|---|---|---|---|---|
| በአካል የሚደረግ ቃለ መጠይቅ | WAV ወይም FLAC፣ ሞኖ በማይክሮፎን፣ 44.1 ወይም 48 kHz | ከስልክ M4A ወይም MP3 | ስሞችንና ቃላትን ይጻፉ | እንግዳው ከጠያቂው ዝቅ ብሎ ይሰማል |
| የርቀት ቃለ መጠይቅ ወይም ፖድካስት፣ በትራክ | የእያንዳንዱ ተናጋሪ የራሱ መረጃ የማያጣ ትራክ | የተለያዩ WAV ፋይሎችና የተቀላቀለ MP3 | የተቀላቀለ ወይም የተለያየ ትራክ ይምረጡ | በድብልቁ ላይ ተደራራቢ ንግግር |
| የስብሰባ ቅጂ (Zoom፣ Teams፣ Meet) | የመድረኩ የድምፅ ምርጫ፣ ካለ | MP4 ወይም M4A | ቪዲዮው ግዙፍ ከሆነ ብቻ ድምፁን ይለዩ | ለሙሉ ክፍል አንድ የላፕቶፕ ማይክሮፎን |
| የስልክ ድምፅ ማስታወሻ | የመተግበሪያው ነባሪ | .m4a | ዋናውን ያውጡ | ስልኩ በቀረጻ ጊዜ ኪስ ውስጥ |
| የታተመ ፖድካስት | ተፈጻሚ አይደለም | የታተመው MP3 | ካለዎት የቅድመ ህትመት WAV ወይም FLAC ይጠቀሙ | መግቢያ ሙዚቃ፣ ቋንቋውን ይምረጡ |
| ትምህርት ወይም ሴሚናር | ሞኖ፣ 16-ቢት፣ ማይክሮፎን በአስተማሪው አጠገብ | ረዥም MP3 ወይም ቪዲዮ | ከ10 ሰዓት በላይ መሆኑን ይፈትሹ | ከማይክሮፎን ውጪ የታዳሚ ጥያቄዎች |
| የስልክ ጥሪ ቀረጻ | የመቅጃው ነባሪ | AMR፣ M4A ወይም 8 kHz WAV | የመጀመሪያውን የናሙና ድግግሞሽ ያቆዩ | የስምምነት ደንቦች፣ ድግግሞሹን አያሳድጉ |
ጥሪ ከመቅዳትዎ በፊት አስፈላጊውን ስምምነት ያግኙ። ለስብሰባ የአዘጋጁን ፈቃድም ያግኙ። የስልክ ጥሪ መቅዳት እና የአሜሪካ ጥሪ ቀረጻ ሕጎች በክልል መመሪያዎች ያብራራሉ። ይህ የሕግ ምክር አይደለም።
በFFmpeg ድምፅን ለጽሑፍ ቅየራ ማዘጋጀት
ፋይሉ ትልቅ ከሆነ፣ ከቪዲዮ ትንሽ ፋይል ለመስቀል ከፈለጉ፣ መሣሪያው ኮዴኩን ካልተቀበለ ወይም ተናጋሪዎችን በተለያዩ ፋይሎች ከፈለጉ ይቀይሩ። መቀየር የድምፅ ጥራትን አያሻሽልም።
የመነሻ ጽሑፉ አዘጋጆች እያንዳንዱን ትእዛዝ በFFmpeg 7.1.5 በሕዝብ ጥቅም ውስጥ ባለ የ11 ሰከንድ ንግግርና ከእሱ በተዘጋጀ አጭር የሙከራ ቪዲዮ ላይ አስኪደዋል። መጠናቀቁንና ffprobe የሚጠበቀውን ኮዴክ፣ የናሙና ድግግሞሽና ቻናሎች ማሳየቱን ብቻ ፈትሸዋል። አማራጮቹ በFFmpeg ሰነድ ተብራርተዋል።
1. ማንኛውንም ፋይል ወደ 16 kHz ሞኖ 16-ቢት WAV (Whisper በውስጡ የሚጠቀመው ቅንብር)።
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. ማንኛውንም ፋይል ወደ 16 kHz ሞኖ FLAC (መረጃ አያጣም፣ ብዙ ጊዜ ከWAV ያንሳል)።
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. ቪዲዮን ወደ ትንሽ ሞኖ MP3 (አንድ መረጃ የሚያጣ ደረጃ ይጨምራል፣ መጠን ሲቀድም ይጠቀሙ)።
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. ዳግም ኮድ ሳያደርጉ ከቪዲዮ ድምፁን ይለዩ (ድምፁ AAC ከሆነ፣ በMP4 የተለመደው)።
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. ሁለት ቻናል ያለውን ቅጂ በተናጋሪ ወደ አንድ ፋይል ይክፈሉ (channelsplit ማጣሪያ ይጠቀማል)።
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| አማራጭ | የሚያደርገው |
|---|---|
-ac 1 |
ድምፁን ወደ አንድ ቻናል ይቀላቅላል |
-ar 16000 |
የውጤቱን የናሙና ድግግሞሽ 16,000 Hz ያደርጋል |
-c:a pcm_s16le |
16-ቢት ያልተጨመቀ PCM (መደበኛ WAV) ይጽፋል |
-vn |
የቪዲዮ ፍሰቱን ይጥላል |
-c:a copy |
ጥራትን ሳይቀይር ድምፁን እንዳለ ይገለብጣል |
-b:a 64k |
መረጃ የሚያጣውን የቢት ፍጥነት ያዘጋጃል |
የቪዲዮው ድምፅ AAC ከሆነ የመጀመሪያውን ጥራት የሚያቆየውን ትእዛዝ 4 ከትእዛዝ 3 ይምረጡ። ለ8 kHz የስልክ ድምፅ ድግግሞሽን ላለማሳደግ -ar 16000 ይተዉ።
የትእዛዝ መስመር የለዎትም? የwhispertranscribe.ai ድምፅና ቪዲዮን ወደ MP3 መቀየሪያ ከMP4፣ MOV፣ MKV፣ WEBM ወይም AVI የድምፅ ትራክን በአሳሽዎ ይለያል። ገጹ WebAssembly እንደሚጠቀምና ፋይሎች ወደ አገልጋይ ሳይሰቀሉ በአሳሽ እንደሚቀናበሩ ይገልጻል።
ትላልቅ ፋይሎችን ከ5GB እና 10 ሰዓት በታች ማቆየት
- መጠኑ ትልቅ ነው፣ ጊዜው ግን ከ10 ሰዓት በታች ነው፡ ብዙ ጊዜ ቪዲዮ ወይም ከፍተኛ ጥራት WAV ነው። ድምፁን ይለዩ (ትእዛዝ 4 ወይም የአሳሽ መቀየሪያ)፣ ወይም WAVን ወደ FLAC ይቀይሩ (ትእዛዝ 2)።
- ከ10 ሰዓት በላይ፡ የመስቀያ ገጹ «በአሁኑ ጊዜ እስከ 10 ሰዓት የሚረዝሙ ፋይሎችን ብቻ እናቀናብራለን። ፋይልዎን ወደ 10 ሰዓት ወይም ከዚያ በታች ያሳጥሩና ዳግም ይሞክሩ» ይላል። ፋይሉን ይክፈሉ። በMP3 ወደ ጽሑፍ መመሪያ ያለው ያለ ዳግም ኮድ መክፈያ ትእዛዝ በWAVም ይሠራል። የመነሻ ጽሑፉ አዘጋጆች በሙከራ WAV ላይ ፈትሸዋል። ጽሑፎችን ሲያዋህዱ የሚገናኙበትን ይፈትሹ።
- ዝግ ግንኙነት፡ የ64 kbps MP3 አንድ ሰዓት 28.8 MB ገደማ፣ የCD ጥራት ስቴሪዮ WAV 635 MB ገደማ ነው። መረጃ የማያጣውን ዋና ፋይል ለማኅደር ያቆዩ።
የድምፅ ቅርጸት ችግሮችን መፍታት
| ችግር | ሊሆን የሚችል ምክንያት | ምን ይሞክሩ |
|---|---|---|
| «ድምፅ አልተገኘም። ፋይሉ ተበላሽቶ ሊሆን ይችላል። ፋይሉን ይፈትሹና ዳግም ይሞክሩ» (በመስቀያ ገጾቻችን) | የተበላሸ ፋይል፣ ያለ ድምፅ የወጣ ቪዲዮ ወይም ባዶ የድምፅ ትራክ | በመሣሪያዎ ያጫውቱ። ከላይ ያለውን ffprobe ያስኪዱ (ውጤት ከሌለ የድምፅ ፍሰት የለም)። ከመነሻው መተግበሪያ ዳግም ያውጡ |
| መስቀል በርዝመት ተከልክሏል | ከ10 ሰዓት በላይ ነው | በ10 ሰዓት ወይም አጭር ክፍሎች ይክፈሉ |
| ፋይሉ በጣም ትልቅ ነው | ቪዲዮ ወይም ከፍተኛ ጥራት ባለብዙ ቻናል WAV | ድምፁን ይለዩ ወይም WAVን ወደ FLAC ይቀይሩ |
| ከ4 GB በላይ WAV አይከፈትም ወይም አይሰቀልም | መደበኛው የWAV መጠን ገደብ | በRF64 ወይም FLAC ዳግም ያውጡ፣ ወይም ይክፈሉ |
| አንዱ ተናጋሪ ከሌላው በጣም ዝቅ ብሎ ይሰማል | እያንዳንዱ በተለየ ቻናልና በተለያየ የድምፅ ደረጃ ተቀድቷል | ቻናሎቹን ይክፈሉ (ትእዛዝ 5)፣ እያንዳንዱንም ወደ ጽሑፍ ይቀይሩ |
| የተዛቡና የሚሰነጠቁ ከፍተኛ ድምፆች | በቀረጻ ጊዜ የድምፅ ጫፎች ተቆርጠዋል | አይጠገንም፣ በሚቀጥለው ጊዜ የሚገባውን ድምፅ ጥንካሬ ይቀንሱ |
| ወደ 48 kHz ቢቀየርም የስልኩ ድምፅ ደካማ ነው | የናሙና ድግግሞሽ መጨመር መረጃ አይጨምርም | ዋናውን ይስቀሉ፣ ካለ «Noise / Low-Quality Audio/Video» የቋንቋ አማራጭ ይሞክሩ |
whispertranscribe.ai የሚስማማበት ሁኔታ
whispertranscribe.ai በOpenAI Whisper ሞዴሎች የሚደገፍ በድር አሳሽ የሚሠራ የጽሑፍ ቅየራ መሣሪያ ነው (መተግበሪያ፣ API እና የሰው እርማት የሉም)። ነፃው ድምፅ ወደ ጽሑፍ መቀየሪያ እና ሌሎች የመስቀያ ገጾች MP3፣ WAV፣ M4A፣ AAC፣ FLAC፣ OGG፣ OPUS፣ AMR፣ AIFF፣ ALAC፣ CAF፣ MP4፣ MOV፣ M4V፣ MKV፣ AVI፣ WMV፣ WEBM፣ MPG፣ MPEG ይዘረዝራሉ።
- ገደቦች፡ እስከ 5GB እና 10 ሰዓት ፋይሎች።
- ቋንቋዎች፡ 130+፣ ለብዙዎቹ «Noise / Low-Quality Audio/Video» አማራጭ።
- ትክክለኛነት፡ በጠራ ድምፅ እስከ 99%። ጫጫታ፣ ርቀት፣ የአነጋገር ልዩነትና ተደራራቢ ንግግር ውጤቱን ያነሳሉ።
- ተናጋሪዎች፡ ከመቀየርዎ በፊት Speaker Detection ያብሩ።
- ማውጫዎች፡ DOCX፣ PDF፣ TXT፣ CSV፣ SRT እና VTT።
- ግላዊነት፡ የግላዊነት ፖሊሲው ዋና ፋይሎች ከሂደቱ በኋላ እንደሚሰረዙ፣ የተለዩ MP3 ፋይሎች በነባሪ ለ30 ቀናት እንደሚቆዩ ይገልጻል።
ለተወሰኑ ቅጂዎች MP3 ፋይሎች፣ የድምፅ ማስታወሻዎች፣ የስልክ ጥሪዎች፣ ቃለ መጠይቆች እና ትምህርቶችና ሴሚናሮች ገጾችን ይመልከቱ። ገደቦቹ በተገለጹበት ነፃ ገጽ ያለ መለያ ፋይልን ይሞክሩ። የክፍያ ዕቅዶች በዓመታዊ ክፍያ በወር $9.99 ይጀምራሉ (ዋጋዎች)። ቀሪው በባህሪያት ገጽ ላይ ነው።
ተደጋጋሚ ጥያቄዎች
ለጽሑፍ ቅየራ ምርጡ የድምፅ ቅርጸት የትኛው ነው?
ቀረጻውን እርስዎ ሲያዘጋጁ WAV ወይም FLAC ይምረጡ፣ ቢቻል ሞኖ፣ 16 kHz ወይም ከዚያ በላይ እና 16-ቢት። እንደ MP3፣ M4A ወይም Opus ያለ የተጨመቀ ፋይል ካለዎት እንዳለ ይስቀሉ። ማይክሮፎን ማቅረብ፣ የጀርባ ጫጫታን መቀነስና ድምፅ እንዳይዛባ መጠንቀቅ ብዙ ጊዜ ከቅርጸቱ ይበልጣሉ።
ለቅየራ WAV ከMP3 ይሻላል?
ከምንጩ የተቀዳ WAV ከMP3 የበለጠ ዝርዝር ያቆያል። Google እንደ MP3 ያሉ መረጃ የሚያጡ ኮዴኮች የንግግር ማወቂያ ትክክለኛነትን ሊቀንሱ እንደሚችሉ ይገልጻል። ልዩነቱ በጠራ ንግግር ትንሽ፣ ጫጫታ ባለበት ደግሞ ትልቅ ነው። ከMP3 የተሠራ WAV ከዚያው MP3 አይሻልም፣ የጠፋው መረጃ አይመለስም። ሲቻል WAV ወይም FLAC ይቅዱ፣ MP3 ካለዎት እንዳለ ይስቀሉ።
ለቅየራ ምን የናሙና ድግግሞሽ ልጠቀም?
16 kHz ወይም በላይ ይጠቀሙ። Google ለንግግር ማወቂያ ቢያንስ 16,000 Hz ይመክራል፣ የOpenAI Whisper ድምፁን ከማቀናበሩ በፊት ወደ 16 kHz ሞኖ ይቀይራል። በ44.1 ወይም 48 kHz መቅዳት ጥሩና የተለመደ ነው። ዝቅተኛውን ድግግሞሽ በኋላ አያሳድጉ። የ8 kHz የስልክ ድምፅ በ8 kHz ይሰቀል፣ መጨመር ፋይሉን ያተልቃል እንጂ የንግግር መረጃ አይጨምርም።
ለቅየራ በሞኖ ወይስ በስቴሪዮ ልቅዳ?
ሁሉም አንድ ማይክሮፎን ሲጋሩ በሞኖ ይቅዱ። Whisper ስቴሪዮን ወደ ሞኖ ይቀላቅላል፣ የተመሳሳይ ድምፅ ስቴሪዮ ፋይሉን እጥፍ ብቻ ያደርገዋል። እያንዳንዱ ተናጋሪ በተለየ ቻናል ከሆነ፣ ለምሳሌ በጥሪ መቅጃ ወይም በእንግዳ አንድ ማይክሮፎን ሲኖር፣ ስቴሪዮን ወይም ብዙ ትራኮችን ያቆዩ። Google የተለያዩ ቻናሎችን ለየብቻ መቀየርን ይመክራል። በFFmpeg መክፈል ይችላሉ።
የWAV ፋይል በደቂቃ ምን ያህል ነው?
በቅንብሮቹ ይወሰናል። ባይቶችን በሰከንድ ለማግኘት የናሙና ድግግሞሹን በባይቶች በናሙና እና በቻናሎች ቁጥር ያባዙ። 16 kHz፣ 16-ቢት ሞኖ WAV ሲሆን 16,000 × 2 × 1 = 32,000 ባይቶች በሰከንድ፣ 1.92 MB ገደማ በደቂቃ ወይም 115.2 MB በሰዓት ነው። የCD ጥራት 44.1 kHz፣ 16-ቢት ስቴሪዮ ወደ 10.58 MB በደቂቃ ወይም 635 MB በሰዓት ነው።
ድምፁን ሳልለይ የቪዲዮ ፋይል መስቀል እችላለሁ?
አዎ። መሣሪያዎቹ የድምፅ ትራኩን ያነባሉ እና ምስሉን ይተዋሉ። MP4፣ MOV፣ MKV ወይም WEBM ከእነሱ ከተለየው ድምፅ ጋር ተመሳሳይ ጽሑፍ ይሰጣሉ። ቪዲዮው መስቀል ያለበትን መጠን ብቻ ያሳድጋል። ገደቡን ሲቀርቡ ወይም ግንኙነቱ ዝግ ሲሆን ድምፁን ይለዩ። ለምሳሌ የFFmpeg -vn -c:a copy የመጀመሪያውን ጥራት ያቆያል። በwhispertranscribe.ai ቪዲዮውን እንዳለ ሰቅለው DOCX፣ TXT፣ SRT ወይም VTT ማውጣት ይችላሉ።
ቅጂዎ ዝግጁ ነው? እንዳለ ወደ whispertranscribe.ai ነፃ ድምፅ ወደ ጽሑፍ መቀየሪያ ይስቀሉ። ከ130+ ቋንቋዎች ይምረጡ፣ Speaker Detection ያብሩ፣ ከዚያ DOCX፣ TXT፣ SRT ወይም VTT ያውርዱ። ፋይሎች እስከ 5GB እና 10 ሰዓት።
ምንጮች
- Google Cloud፡ የSpeech-to-Text ምርጥ አሠራሮች (የንግግር መረጃ ማቅረብ)
- Google Cloud፡ ለSpeech-to-Text የድምፅ ፋይሎችን ማመቻቸት
- OpenAI፡ whisper/audio.py በWhisper GitHub ማከማቻ
- FFmpeg፡ የffmpeg ትእዛዝ መስመር ሰነድ እና channelsplit ማጣሪያ
- የኮንግረስ ቤተ መጻሕፍት፡ WAVE የድምፅ ፋይል ቅርጸት (fdd000001)
- የኮንግረስ ቤተ መጻሕፍት፡ AMR፣ የሚለዋወጥ ፍጥነት የንግግር ኮዴክ (fdd000254)
