От редакционния екип на whispertranscribe.ai · Последна актуализация: ноември 2026 г. · 12 минути четене
Най-добрият формат за транскрипция е аудио без загуба — WAV (16-битов PCM) или FLAC, записано в моно при 16 kHz или повече, когато контролирате записа. Ако вече имате MP3, M4A или видеофайл, качете го както е. Преобразуването на компресиран файл не възстановява изгубените детайли, а разстоянието до микрофона и шумът влияят повече.
По-долу: избор преди запис, работа с получен файл, формули за размера, настройки по сценарии, команди FFmpeg и таблица с решения на проблеми.
Разкриване на информация. whispertranscribe.ai публикува това ръководство. Техническите твърдения препращат към Google Cloud, кода на Whisper от OpenAI, FFmpeg или Library of Congress. Не сме провеждали тестове за точност за тази статия и не обещаваме, че даден формат добавя определен процент точност.
Кратък отговор: най-добрият аудио формат за транскрипция
Изборът зависи от етапа на работа, а не от един „победител“.
| Ситуация | Най-добър избор | Защо |
|---|---|---|
| Настройвате рекордер или приложение | WAV (16-битов) или FLAC, моно, 16 kHz или повече | Google препоръчва FLAC или LINEAR16 без загуба за разпознаване на реч |
| Нужни са малки файлове при запис | Подходящ за реч кодек със загуба и умерен битрейт | Предпочитаните от Google кодеци със загуба са AMR-WB, Ogg Opus и Speex |
| Вече имате MP3, M4A или Opus | Качете оригинала | Повторното кодиране не възстановява нищо |
| Имате видео (MP4, MOV, MKV) | Качете го; извлечете аудиото, ако е огромно | Използва се само аудиопистата |
| Говорителите са записани на отделни писти | Запазете пистите | Google препоръчва отделно изпращане на каналите, когато всеки човек има свой |
Кога изобщо да не се тревожите за формата: гласова бележка от телефон, публикуван епизод на подкаст или запис от Zoom или Teams. Качете го, изберете езика и отделете време за проверка на имената.
Формат, кодек и контейнер: какво крие разширението
Разширението обозначава контейнера, но не винаги компресията. Ръководството на Google за оптимизиране на аудио обяснява, че кодеците и файловите формати не са едно и също. Три често срещани изненади:
- WAV обикновено съдържа некомпресиран линеен PCM, но може да съдържа и други кодирания (Library of Congress, WAVE).
- M4A може да съдържа AAC със загуба или Apple Lossless (ALAC) без загуба.
- OGG е контейнер, който обикновено съдържа Opus или Vorbis, и двата със загуба.
За да видите какво съдържа файлът, поискайте от ffprobe на FFmpeg само аудиопотоците:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
Командата извежда по един ред за всеки аудиопоток; липсата на изход може да помогне да откриете файл без аудиописта преди качване.
Сравнение на аудио формати за транскрипция
Всеки формат по-долу може да се транскрибира. Различават се запазените детайли и размерът. Размерите следват формулите в следващия раздел (1 MB = 1,000,000 байта).
| Формат | Със или без загуба | Обичаен източник | Размер на минута (примерна настройка) | Влияние върху транскрипцията | Какво да направите |
|---|---|---|---|---|---|
| WAV (PCM) | Некомпресиран | Полеви рекордери, аудио редактори | 1.92 MB при 16 kHz, 16-bit, моно; 10.58 MB при 44.1 kHz, 16-bit, стерео | Запазва уловеното от микрофона | Най-добър оригинал; следете размера при дълги записи |
| FLAC | Без загуба (компресиран) | Архиви, експортиране от редактор | По-малък от същия WAV; спестяването варира | Същото аудио като WAV | Използвайте вместо WAV за пестене на място |
| AIFF / ALAC / CAF | AIFF обикновено некомпресиран; ALAC без загуба; CAF може и двете | Приложения за Mac и iPhone | AIFF: като WAV при същите настройки | Зависи от кодека | Качете както е |
| MP3 | Със загуба | Подкасти, изтегляния | 0.96 MB при 128 kbps | Според Google кодеците със загуба могат да намалят точността | Качете както е |
| M4A / AAC | Обикновено със загуба (AAC) | Гласови бележки, звук на видео | 0.48 MB при 64 kbps | Същото предупреждение като за MP3 | Качете оригинала |
| OGG / Opus | Със загуба | Гласови съобщения, уеб разговори | 0.24 MB при 32 kbps | Opus е сред предпочитаните от Google кодеци със загуба за реч | Качете както е |
| AMR (теснолентов) | Със загуба, само реч | Стари телефони и рекордери за разговори | Около 0.09 MB при 12.2 kbps | Пренася само 200 до 3,400 Hz (Library of Congress, AMR) | Качете както е; не увеличавайте честотата |
Видеофайловете работят по същия начин: инструментът чете аудиопистата, така че единственият допълнителен разход е размерът при качване.
Колко голям е аудиофайлът? Формули
Две формули позволяват да оцените размера преди запис или качване.
Некомпресиран PCM (WAV, AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels
Примери:
- 16 kHz, 16-bit, моно: 16,000 × 2 × 1 = 32,000 байта в секунда. × 60 = 1,920,000 байта, около 1.92 MB на минута или 115.2 MB на час.
- 44.1 kHz, 16-bit, стерео: 44,100 × 2 × 2 = 176,400 байта в секунда, около 10.58 MB на минута или 635 MB на час.
- 48 kHz, 24-bit, стерео: 48,000 × 3 × 2 = 288,000 байта в секунда или 1,036.8 MB на час.
Със загуба при постоянен битрейт (MP3, AAC, Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (тоест kbps × 7,500)
- 128 kbps: 128 × 7,500 = 960,000 байта, около 0.96 MB на минута или 57.6 MB на час.
- 64 kbps: 0.48 MB на минута; 32 kbps: 0.24 MB на минута.
Реалните файлове са малко по-големи заради заглавните данни, а тези с променлив битрейт варират около средната стойност. Компютрите с двоични единици (MiB) показват около 5% по-ниски числа.
Какво означават тези числа при лимит 5GB и 10 часа
whispertranscribe.ai приема файлове до 5GB и 10 часа. Ето как се побират често срещаните настройки, ако 5GB означава 5,000,000,000 байта:
| Настройка | 1 час | 10 часа | Побира ли се 10-часов файл под 5GB? |
|---|---|---|---|
| WAV, 16 kHz, 16-bit, моно | 115.2 MB | 1.15 GB | Да |
| WAV, 44.1 kHz, 16-bit, стерео | 635 MB | 6.35 GB | Не: побират се около 7.9 часа |
| WAV, 48 kHz, 24-bit, стерео | 1.04 GB | 10.37 GB | Не: побират се около 4.8 часа |
| MP3, 128 kbps | 57.6 MB | 576 MB | Да |
| Opus, 32 kbps | 14.4 MB | 144 MB | Да |
Класическият WAV също има лимит: 32-битовото поле за размер го ограничава до около 4 GB, а по-дългите записи се нуждаят от разширението RF64 (Library of Congress). За много дълги записи без загуба FLAC или WAV в 16 kHz моно избягва и двата проблема.
Какво е по-важно от аудио формата
Ясен глас близо до микрофона, запазен като MP3, обикновено дава по-добър резултат от файл без загуба, записан отдалеч в шумна стая. Следните настройки и навици са решаващи.
Честота на дискретизация: достатъчни ли са 16 kHz?
Да, за реч. Google препоръчва 16,000 Hz или повече (добри практики); ръководството обяснява, че по-ниските честоти оставят малко или никаква информация над 8 kHz. Кодът с отворен изходен код на Whisper от OpenAI преобразува всеки вход в 16,000 Hz моно преди обработка (whisper/audio.py). Записът при 44.1 или 48 kHz също е подходящ, но е по-голям.
Последващото повишаване на честотата не помага: според Google файл от 8 kHz, преобразуван до 44.1 kHz, все още съдържа честотен диапазон само около 4 kHz. Качвайте телефонното аудио, често 8,000 Hz, с оригиналната честота.
Битова дълбочина: 16 или 24 бита?
Google препоръчва 16 бита или повече и посочва, че преобразуването от 8 на 16 бита не добавя нищо, защото динамичният диапазон е определен при записа. Запазването на 24-битов запис не вреди; преобразуването от 16 на 24 бита не добавя информация.
Битрейт за компресирани файлове
Няма стандартен битрейт, който гарантира добра транскрипция. Насоките на Google се отнасят до вида кодек: кодеците със загуба могат да намалят точността, а шумът и ехото вредят повече при такава компресия. Ако трябва да компресирате, направете го веднъж при умерена настройка и избягвайте вериги като WAV към MP3 към OGG.
Разстояние до микрофона, шум и нива
Според препоръките на Google за предварителна обработка:
- Поставете микрофона възможно най-близо до говорителя, особено при фонов шум.
- Избягвайте изрязване на сигнала. Изкривените пикове не могат да се поправят по-късно.
- Изключете автоматичния контрол на усилването и намаляването на шума, ако приложението позволява. Google посочва, че предварителното намаляване на шума обикновено намалява точността.
Моно или стерео?
За един общ микрофон е достатъчно моно. Whisper така или иначе смесва стереото в моно, така че еднакъв глас от двете страни само удвоява размера. Запазете стерео, когато всеки канал съдържа различен човек, както при много рекордери за разговори или отделни петлични микрофони. Тогава Google препоръчва изпращане на каналите поотделно, а смесеният запис — както е.
Многопистови записи
Инструментите за подкасти и дистанционни интервюта често записват всеки човек на отделна писта. Експортирайте една смесена писта и включете обозначенията на говорителите (най-лесно) или транскрибирайте всяка писта отделно и обединете текстовете по времеви маркери (по-чист звук, но обединяването е ваша задача).
Препоръчителен формат и настройки според ситуацията
По-често вече имате файл и обичайният отговор е „качете го“.
| Ситуация | Записвайте като (ако избирате) | Ако вече имате | Преди качване | Внимавайте за |
|---|---|---|---|---|
| Интервю на живо | WAV или FLAC, моно за всеки микрофон, 44.1 или 48 kHz | M4A или MP3 от телефон | Запишете имена и термини | Гостът е по-тих от интервюиращия |
| Дистанционно интервю или подкаст, отделни писти | Отделна писта без загуба за всеки | Отделни WAV файлове и смесен MP3 | Изберете смесен файл или отделни писти | Застъпване на речта в смесения запис |
| Запис на среща (Zoom, Teams, Meet) | Аудио опцията на платформата, ако има такава | MP4 или M4A | Извлечете аудиото само ако видеото е огромно | Един микрофон на лаптоп за цяла стая |
| Телефонна гласова бележка | Настройката по подразбиране | .m4a | Експортирайте оригинала | Телефон в джоба по време на запис |
| Публикуван епизод на подкаст | Не е приложимо | Публикуваният MP3 | Използвайте WAV или FLAC преди публикуване, ако го имате | Музикално въведение; задайте езика |
| Лекция или семинар | Моно, 16-bit, микрофон близо до лектора | Дълъг MP3 или видео | Проверете продължителността спрямо 10 часа | Въпроси от публиката далеч от микрофона |
| Запис на телефонен разговор | Настройката по подразбиране | AMR, M4A или 8 kHz WAV | Запазете оригиналната честота | Правила за съгласие; не повишавайте честотата |
Преди запис на разговор получете необходимото съгласие. Нашите ръководства за запис на телефонен разговор и законите за запис по щати разглеждат въпроса. Това не е правен съвет.
Как да преобразувате аудио за транскрипция с FFmpeg
Преобразувайте само при причина: файлът е твърде голям, искате по-леко качване от видео, инструментът отхвърля кодека или искате отделни файлове за говорителите. Преобразуването не подобрява качеството.
Следните примерни команди могат да бъдат проверени с ffprobe за кодек, честота и канали според избраните опции. Те са обяснени в документацията на FFmpeg.
1. Всеки файл към 16 kHz моно 16-битов WAV (същата форма, в която Whisper вътрешно преобразува аудиото):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. Всеки файл към 16 kHz моно FLAC (без загуба и обикновено по-малък от WAV):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. Видео към малък моно MP3 (добавя една стъпка със загуба; използвайте, когато размерът е най-важен):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. Извличане на аудио от видео без повторно кодиране (работи, когато аудиото е AAC, често срещан в MP4):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. Разделяне на двуканален запис в отделни файлове за говорителите (използва филтъра channelsplit):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| Опция | Действие |
|---|---|
-ac 1 |
Смесва аудиото в един канал |
-ar 16000 |
Задава изходна честота 16,000 Hz |
-c:a pcm_s16le |
Записва 16-битов некомпресиран PCM (стандартен WAV) |
-vn |
Премахва видеопотока |
-c:a copy |
Копира аудиото без промяна на качеството |
-b:a 64k |
Задава битрейт със загуба |
Предпочитайте команда 4 пред команда 3, когато аудиото на видеото вече е AAC, защото запазва оригиналното качество. За телефонно аудио от 8 kHz пропуснете -ar 16000, за да не повишавате честотата.
Без команден ред? Конверторът от аудио и видео в MP3 на whispertranscribe.ai извлича аудиопистата от MP4, MOV, MKV, WEBM или AVI в браузъра. Страницата посочва, че използва WebAssembly и файловете се обработват в браузъра, без качване.
Големи файлове: в рамките на 5GB и 10 часа
- Твърде голям, но под 10 часа: обикновено видео или WAV с висока резолюция. Извлечете аудиото (команда 4 или браузърния конвертор) или преобразувайте WAV във FLAC (команда 2).
- Над 10 часа: страницата за качване посочва, че може да обработва файлове до 10 часа и че по-дългите трябва да се съкратят. Разделете файла. Командата за разделяне без повторно кодиране в ръководството ни за MP3 в текст може да се приложи и към WAV. Проверете местата на свързване при обединяване на текста.
- Бавна връзка: един час MP3 при 64 kbps е около 28.8 MB, срещу 635 MB за стерео WAV с CD качество. Запазете оригинала без загуба в архива си.
Отстраняване на проблеми с аудио формата
| Проблем | Вероятна причина | Какво да опитате |
|---|---|---|
| „Не е открито аудио. Файлът може да е повреден. Проверете го и опитайте отново.“ (показва се на страниците ни за качване) | Повреден файл, видео без звук или празна аудиописта | Пуснете файла локално; изпълнете проверката с ffprobe по-горе (липса на изход означава липса на аудиопоток); експортирайте отново от оригиналното приложение |
| Качването е отхвърлено поради продължителност | Файлът е над 10 часа | Разделете на части до 10 часа |
| Файлът е твърде голям | Видео или многоканален WAV с висока резолюция | Извлечете аудиото или преобразувайте WAV във FLAC |
| WAV над 4 GB не се отваря или качва | Лимит на класическия WAV | Експортирайте като RF64 или FLAC, или разделете файла |
| Единият говорител е много по-тих | Всеки е на отделен канал с различно ниво | Разделете каналите (команда 5) и транскрибирайте всеки файл |
| Изкривени, пращящи пикове | Изрязване на сигнала при запис | Не може да се поправи; следващия път намалете входното усилване |
| Телефонното аудио остава лошо след преобразуване до 48 kHz | Повишаването на честотата не добавя информация | Качете оригинала; опитайте езикова опция „Noise / Low-Quality Audio/Video“, ако се предлага |
Къде се вписва whispertranscribe.ai
whispertranscribe.ai е инструмент за транскрипция с моделите Whisper на OpenAI, който работи в браузър (без приложение, API или човешка редакция). Безплатният конвертор от аудио в текст и другите страници за качване изброяват: MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG и MPEG.
- Ограничения: файлове до 5GB и 10 часа.
- Езици: над 130 езика, с опции „Noise / Low-Quality Audio/Video“ за много от тях.
- Точност: до 99% при чисто аудио. Шумът, разстоянието, акцентите и застъпването я намаляват.
- Говорители: включете Speaker Detection преди транскрипция.
- Експортиране: DOCX, PDF, TXT, CSV, SRT и VTT.
- Поверителност: политиката за поверителност посочва, че оригиналните файлове се изтриват след обработка, а извлечените MP3 се пазят по подразбиране 30 дни.
За конкретни записи вижте страниците за MP3 файлове, гласови бележки, телефонни разговори, интервюта и лекции и семинари. Опитайте файл на безплатната страница без акаунт (там са показани ограниченията). Платени планове: от $9.99/месец при годишно плащане (цени). Останалото е на страницата с функции.
Често задавани въпроси
Кой е най-добрият аудио формат за транскрипция?
WAV или FLAC е най-добрият формат, когато контролирате записа, в идеалния случай моно при 16 kHz или повече и 16-битова дълбочина. Ако вече имате компресиран файл като MP3, M4A или Opus, качете го както е. Качеството на записа — близък микрофон, малко фонов шум и липса на изрязване — обикновено е по-важно от избора между форматите.
По-добър ли е WAV от MP3 за транскрипция?
WAV, записан от източника, запазва повече детайли от MP3, а Google отбелязва, че кодеци със загуба като MP3 могат да намалят точността. Разликата често е малка при ясна реч и по-голяма при шумни записи. WAV, създаден от съществуващ MP3, не е по-добър, защото премахнатите детайли липсват. Записвайте във WAV или FLAC, когато можете, и качвайте MP3 както е.
Каква честота на дискретизация да използвам?
Използвайте 16 kHz или повече. Google препоръчва поне 16,000 Hz за разпознаване на реч, а Whisper на OpenAI преобразува аудиото до 16 kHz моно. Запис при 44.1 или 48 kHz също е подходящ и често срещан. Не повишавайте по-ниска честота след това: телефонен запис от 8 kHz трябва да се качи при 8 kHz, защото повишаването увеличава размера, но не добавя речева информация.
Да записвам ли в моно или стерео?
Записвайте в моно, когато всички използват един микрофон. Whisper смесва стереото в моно, така че стерео копие на един и същ глас само удвоява размера. Запазете стерео или отделни писти, когато всеки говорител е на свой канал, например при рекордер за разговори или отделен микрофон за всеки гост. Google препоръчва отделна транскрипция на каналите, които могат да се разделят с FFmpeg.
Колко място заема WAV файл на минута?
Зависи от настройките: умножете честотата по байтовете на проба и броя канали, за да получите байтовете в секунда. WAV в 16 kHz, 16-bit моно е 16,000 × 2 × 1 = 32,000 байта в секунда, около 1.92 MB на минута или 115.2 MB на час. Стерео с CD качество при 44.1 kHz и 16 бита е около 10.58 MB на минута или 635 MB на час.
Мога ли да кача видео вместо да извличам аудиото?
Да. Инструментите за транскрипция четат аудиопистата и игнорират картината, така че MP4, MOV, MKV или WEBM дава същия транскрипт като извлеченото от него аудио. Видеото само увеличава размера на качването. Извлечете аудиото, когато файлът е близо до лимита или връзката е бавна, например с -vn -c:a copy на FFmpeg, което запазва оригиналното качество. В whispertranscribe.ai можете да качите видеото както е и да експортирате DOCX, TXT, SRT или VTT.
Имате готов запис? Качете го както е в безплатния конвертор от аудио в текст на whispertranscribe.ai: изберете един от над 130 езика, включете Speaker Detection и изтеглете DOCX, TXT, SRT или VTT. Файлове до 5GB и 10 часа.
Източници
- Google Cloud: Speech-to-Text best practices (providing speech data)
- Google Cloud: Optimize audio files for Speech-to-Text
- OpenAI: whisper/audio.py in the Whisper GitHub repository
- FFmpeg: ffmpeg command-line documentation and channelsplit filter
- Library of Congress: WAVE Audio File Format (fdd000001)
- Library of Congress: AMR, Adaptive Multi-Rate Speech Codec (fdd000254)
