Per l'equip editorial de whispertranscribe.ai · Última actualització: novembre de 2026 · 12 minuts de lectura
El millor format per transcriure és àudio sense pèrdua, WAV (PCM de 16 bits) o FLAC, enregistrat en mono a 16 kHz o més quan controles l'enregistrament. Si ja tens MP3, M4A o vídeo, puja'l tal com és. Convertir un fitxer comprimit no recupera el detall perdut; la distància del micròfon i el soroll afecten més el resultat.
A continuació: què triar abans d'enregistrar, què fer amb un fitxer rebut, fórmules de mida, configuracions per cas, ordres FFmpeg i una taula de solucions.
Declaració. whispertranscribe.ai publica aquesta guia. Les afirmacions tècniques enllacen a Google Cloud, el codi Whisper d'OpenAI, FFmpeg o la Library of Congress. No hem fet proves de precisió i no prometem que un format afegeixi un percentatge determinat.
Resposta ràpida: el millor format d'àudio per transcriure
Tria segons el punt del procés, no segons un únic «guanyador».
| Situació | Millor tria | Per què |
|---|---|---|
| Configures una gravadora o aplicació | WAV (16 bits) o FLAC, mono, 16 kHz o més | Google recomana FLAC o LINEAR16 sense pèrdua per al reconeixement de veu |
| Necessites fitxers petits mentre graves | Còdec amb pèrdua adequat per a veu i taxa moderada | Google prefereix AMR-WB, Ogg Opus i Speex, en aquest ordre |
| Ja tens MP3, M4A o Opus | Puja l'original | Recodificar no recupera res |
| Tens vídeo (MP4, MOV, MKV) | Puja'l; extreu l'àudio si és enorme | Només s'utilitza la pista d'àudio |
| Els parlants tenen pistes separades | Conserva-les | Google recomana enviar cada canal per separat quan cada persona en té un |
Quan no cal preocupar-se pel format: una nota de veu, un pòdcast publicat o un enregistrament de Zoom o Teams. Puja'l, tria la llengua i dedica temps a revisar els noms.
Format, còdec i contenidor: què amaga l'extensió
L'extensió identifica el contenidor, no sempre la compressió. El tutorial d'optimització d'àudio de Google explica que còdecs i formats no són el mateix. Tres sorpreses habituals:
- WAV sol contenir PCM lineal sense comprimir, però també pot portar altres codificacions (Library of Congress, WAVE).
- M4A pot contenir AAC amb pèrdua o Apple Lossless (ALAC) sense pèrdua.
- OGG és un contenidor que sol portar Opus o Vorbis, tots dos amb pèrdua.
Per veure què hi ha dins, demana a ffprobe de FFmpeg només els fluxos d'àudio:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
L'ordre mostra una línia per flux d'àudio; si no mostra res, pot ajudar a detectar un fitxer sense pista d'àudio abans de pujar-lo.
Comparació de formats d'àudio
Tots es poden transcriure. La diferència és el detall conservat i la mida. Les mides provenen de les fórmules següents (1 MB = 1,000,000 bytes).
| Format | Amb pèrdua o sense | Origen habitual | Mida per minut (exemple) | Efecte en la transcripció | Què fer |
|---|---|---|---|---|---|
| WAV (PCM) | Sense comprimir | Gravadores de camp, editors | 1.92 MB a 16 kHz, 16-bit, mono; 10.58 MB a 44.1 kHz, 16-bit, estèreo | Conserva el que capta el micròfon | Millor original; vigila la mida en sessions llargues |
| FLAC | Sense pèrdua (comprimit) | Arxius, exportacions | Més petit que el mateix WAV; l'estalvi varia | Mateix àudio que WAV | Fes-lo servir per estalviar espai |
| AIFF / ALAC / CAF | AIFF normalment sense comprimir; ALAC sense pèrdua; CAF pot ser qualsevol | Aplicacions Mac i iPhone | AIFF: igual que WAV amb els mateixos ajustos | Depèn del còdec | Puja'l tal com és |
| MP3 | Amb pèrdua | Pòdcasts, descàrregues | 0.96 MB a 128 kbps | Google: els còdecs amb pèrdua poden reduir la precisió | Puja'l tal com és |
| M4A / AAC | Normalment amb pèrdua (AAC) | Notes de veu, bandes sonores | 0.48 MB a 64 kbps | Mateixa precaució que MP3 | Puja l'original |
| OGG / Opus | Amb pèrdua | Notes de veu, trucades web | 0.24 MB a 32 kbps | Opus és a la llista preferida de Google per a veu amb pèrdua | Puja'l tal com és |
| AMR (banda estreta) | Amb pèrdua, només veu | Telèfons i gravadores antics | Uns 0.09 MB a 12.2 kbps | Només porta de 200 a 3,400 Hz (Library of Congress, AMR) | Puja'l tal com és; no n'augmentis el mostreig |
El vídeo funciona igual: l'eina llegeix l'àudio, de manera que l'únic cost és una càrrega més gran.
Quant ocupa un fitxer d'àudio? Fórmules
Dues fórmules permeten estimar-ne la mida abans d'enregistrar o pujar.
PCM sense comprimir (WAV, AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels
Exemples:
- 16 kHz, 16-bit, mono: 16,000 × 2 × 1 = 32,000 bytes per segon. × 60 = 1,920,000 bytes, uns 1.92 MB per minut o 115.2 MB per hora.
- 44.1 kHz, 16-bit, estèreo: 44,100 × 2 × 2 = 176,400 bytes per segon, uns 10.58 MB per minut o 635 MB per hora.
- 48 kHz, 24-bit, estèreo: 48,000 × 3 × 2 = 288,000 bytes per segon o 1,036.8 MB per hora.
Amb pèrdua a taxa constant (MP3, AAC, Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (és a dir, kbps × 7,500)
- 128 kbps: 128 × 7,500 = 960,000 bytes, uns 0.96 MB per minut o 57.6 MB per hora.
- 64 kbps: 0.48 MB per minut; 32 kbps: 0.24 MB per minut.
Els fitxers reals són una mica més grans per les capçaleres i els de taxa variable oscil·len al voltant de la mitjana. Els ordinadors que mostren unitats binàries (MiB) donen xifres aproximadament un 5% inferiors.
Què signifiquen per al límit de 5GB i 10 hores
whispertranscribe.ai accepta fins a 5GB i 10 hores. Així encaixen les configuracions habituals si 5GB són 5,000,000,000 bytes:
| Configuració | 1 hora | 10 hores | Hi caben 10 hores sota 5GB? |
|---|---|---|---|
| WAV, 16 kHz, 16-bit, mono | 115.2 MB | 1.15 GB | Sí |
| WAV, 44.1 kHz, 16-bit, estèreo | 635 MB | 6.35 GB | No: hi caben unes 7.9 hores |
| WAV, 48 kHz, 24-bit, estèreo | 1.04 GB | 10.37 GB | No: hi caben unes 4.8 hores |
| MP3, 128 kbps | 57.6 MB | 576 MB | Sí |
| Opus, 32 kbps | 14.4 MB | 144 MB | Sí |
El WAV clàssic té el seu propi límit: el camp de 32 bits el limita a uns 4 GB, i els enregistraments més llargs necessiten RF64 (Library of Congress). Per a enregistraments molt llargs sense pèrdua, FLAC o WAV mono a 16 kHz eviten tots dos problemes.
Què importa més que el format d'àudio
Una veu clara prop del micròfon desada com a MP3 sol superar un fitxer sense pèrdua enregistrat a distància en una sala sorollosa. Aquestes pràctiques determinen la major part del resultat.
Freqüència de mostreig: n'hi ha prou amb 16 kHz?
Sí, per a veu. Google recomana 16,000 Hz o més (bones pràctiques); el tutorial explica que freqüències menors deixen poca informació per sobre de 8 kHz. El codi obert de Whisper d'OpenAI converteix cada entrada a 16,000 Hz mono abans del model (whisper/audio.py). Enregistrar a 44.1 o 48 kHz està bé, però ocupa més.
Augmentar-la després no ajuda: Google indica que un fitxer de 8 kHz elevat a 44.1 kHz encara només conté uns 4 kHz de rang. Puja l'àudio telefònic, sovint de 8,000 Hz, a la freqüència original.
Profunditat de bits: 16 o 24?
Google recomana 16 bits o més i diu que convertir 8 bits a 16 no aporta res perquè el rang dinàmic es va fixar en enregistrar. Conservar 24 bits no perjudica; convertir 16 a 24 no afegeix informació.
Taxa de bits dels fitxers comprimits
Cap estàndard fixa una taxa que garanteixi una bona transcripció. Google parla del tipus de còdec: els que tenen pèrdua poden reduir la precisió, i el soroll o l'eco perjudiquen més amb compressió amb pèrdua. Si has de comprimir, fes-ho una vegada a un valor moderat i evita cadenes WAV a MP3 a OGG.
Distància del micròfon, soroll i nivells
Segons els consells de preprocessament de Google:
- Acosta el micròfon tant com sigui raonable, especialment amb soroll.
- Evita la saturació. Els pics distorsionats no es poden reparar després.
- Desactiva el control automàtic de guany i la reducció de soroll si l'aplicació ho permet. Google diu que la reducció abans del reconeixement sol empitjorar la precisió.
Mono o estèreo?
Per a un micròfon compartit, mono és suficient. Whisper barreja estèreo a mono, així que la mateixa veu als dos canals només duplica la càrrega. Conserva estèreo quan cada canal té una persona diferent, com en gravadores de trucades o un micròfon de solapa per canal. Google recomana enviar els canals separadament i una barreja tal com és.
Enregistraments multipista
Les eines de pòdcast i entrevistes remotes sovint graven cada persona en una pista. Exporta una barreja i activa les etiquetes de parlants (més senzill), o transcriu cada pista per separat i combina els textos segons el temps (àudio més net, però cal combinar-lo).
Formats i configuracions recomanats segons el cas
La situació més habitual és que ja tinguis el fitxer, i la resposta sol ser «puja'l».
| Cas | Enregistra com (si tries) | Si ja tens | Abans de pujar | Vigila |
|---|---|---|---|---|
| Entrevista presencial | WAV o FLAC, mono per micròfon, 44.1 o 48 kHz | M4A o MP3 del telèfon | Anota noms i termes | Convidat més fluix que l'entrevistador |
| Entrevista remota o pòdcast, per pista | Una pista sense pèrdua per parlant | WAV separats i MP3 barrejat | Tria barreja o pistes | Solapaments a la barreja |
| Reunió (Zoom, Teams, Meet) | Opció d'àudio de la plataforma si existeix | MP4 o M4A | Extreu l'àudio només si el vídeo és enorme | Un micròfon de portàtil per a tota la sala |
| Nota de veu telefònica | Valor per defecte de l'aplicació | .m4a | Exporta l'original | Telèfon a la butxaca en gravar |
| Episodi de pòdcast publicat | No aplicable | MP3 publicat | Usa el WAV o FLAC previ si el tens | Intros musicals; defineix la llengua |
| Conferència o seminari | Mono, 16 bits, micròfon prop del ponent | MP3 llarg o vídeo | Comprova el límit de 10 hores | Preguntes del públic lluny del micròfon |
| Enregistrament d'una trucada | Valor per defecte de la gravadora | AMR, M4A o WAV de 8 kHz | Conserva la freqüència original | Regles de consentiment; no augmentis el mostreig |
Obté el consentiment necessari abans d'enregistrar trucades. Les guies com enregistrar una trucada i lleis per estat ho expliquen. Això no és assessorament jurídic.
Com convertir àudio per transcriure amb FFmpeg
Converteix només per una raó: fitxer massa gran, càrrega de vídeo més lleugera, còdec rebutjat o parlants en fitxers separats. Convertir per «qualitat» no funciona.
Les ordres següents són exemples; pots comprovar còdec, freqüència i canals amb ffprobe. Les opcions s'expliquen a la documentació FFmpeg.
1. Qualsevol fitxer a WAV mono de 16 kHz i 16 bits (el mateix format intern de Whisper):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. Qualsevol fitxer a FLAC mono de 16 kHz (sense pèrdua i normalment més petit que WAV):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. Vídeo a MP3 mono petit (afegeix un pas amb pèrdua; usa'l quan la mida sigui prioritària):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. Extreu l'àudio d'un vídeo sense recodificar (funciona si és AAC, habitual a MP4):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. Divideix un enregistrament de dos canals per parlant (fa servir el filtre channelsplit):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| Opció | Què fa |
|---|---|
-ac 1 |
Barreja l'àudio en un canal |
-ar 16000 |
Fixa la freqüència de sortida a 16,000 Hz |
-c:a pcm_s16le |
Escriu PCM de 16 bits sense comprimir (WAV estàndard) |
-vn |
Elimina el flux de vídeo |
-c:a copy |
Copia l'àudio sense canviar-ne la qualitat |
-b:a 64k |
Fixa la taxa amb pèrdua |
Prefereix l'ordre 4 a la 3 quan l'àudio del vídeo ja és AAC perquè conserva la qualitat. Per a àudio telefònic de 8 kHz, omet -ar 16000 per no augmentar el mostreig.
Sense línia d'ordres? El convertidor d'àudio i vídeo a MP3 de whispertranscribe.ai extreu la pista d'MP4, MOV, MKV, WEBM o AVI al navegador. La pàgina diu que usa WebAssembly i processa els fitxers al navegador sense pujar-los.
Fitxers grans: mantenir-se dins de 5GB i 10 hores
- Massa gran però menys de 10 hores: normalment vídeo o WAV d'alta resolució. Extreu l'àudio (ordre 4 o convertidor) o converteix WAV a FLAC (ordre 2).
- Més de 10 hores: la pàgina indica que només processa fins a 10 hores i demana escurçar el fitxer. Divideix-lo. L'ordre sense recodificació de la guia MP3 a text també es pot aplicar a WAV. Revisa les unions quan combinis el text.
- Connexió lenta: una hora d'MP3 a 64 kbps ocupa uns 28.8 MB, davant de 635 MB d'un WAV estèreo tipus CD. Conserva l'original sense pèrdua a l'arxiu.
Solució de problemes de format
| Problema | Causa probable | Què provar |
|---|---|---|
| «No s'ha detectat àudio. El fitxer pot estar malmès. Comprova'l i torna-ho a provar.» (a les nostres pàgines) | Fitxer malmès, vídeo sense so o pista buida | Reprodueix-lo localment; executa la comprovació ffprobe anterior (sense sortida vol dir sense flux); torna a exportar des de l'aplicació original |
| Càrrega rebutjada per massa llarga | Més de 10 hores | Divideix en parts de 10 hores o menys |
| Fitxer massa gran | Vídeo o WAV multicanal d'alta resolució | Extreu l'àudio o converteix WAV a FLAC |
| WAV de més de 4 GB no s'obre o no es puja | Límit del WAV clàssic | Exporta com RF64 o FLAC, o divideix-lo |
| Un parlant és molt més fluix | Cadascú en un canal a nivells diferents | Divideix els canals (ordre 5) i transcriu cada fitxer |
| Pics distorsionats i crepitants | Saturació en enregistrar | No es pot reparar; abaixa el guany d'entrada la pròxima vegada |
| Àudio telefònic encara dolent després de convertir-lo a 48 kHz | Augmentar el mostreig no afegeix informació | Puja l'original; prova «Noise / Low-Quality Audio/Video» si està disponible |
On encaixa whispertranscribe.ai
whispertranscribe.ai és una eina de transcripció basada en Whisper d'OpenAI que funciona al navegador (sense aplicació, API ni revisió humana). El convertidor gratuït d'àudio a text i altres pàgines enumeren MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG i MPEG.
- Límits: fitxers fins a 5GB i 10 hores.
- Idiomes: més de 130, amb opcions «Noise / Low-Quality Audio/Video» per a molts.
- Precisió: fins al 99% amb àudio clar. Soroll, distància, accents i solapaments la redueixen.
- Parlants: activa Speaker Detection abans de transcriure.
- Exportacions: DOCX, PDF, TXT, CSV, SRT i VTT.
- Privadesa: la política diu que els originals s'eliminen després de processar-los i els MP3 extrets es conserven 30 dies per defecte.
Per a enregistraments concrets consulta MP3, notes de veu, trucades, entrevistes i conferències i seminaris. Prova un fitxer a la pàgina gratuïta sense compte (hi apareixen els límits). Plans des de $9.99/mes amb facturació anual (preus). La resta és a la pàgina de funcions.
Preguntes freqüents
Quin és el millor format d'àudio per transcriure?
WAV o FLAC és el millor quan controles l'enregistrament, idealment mono a 16 kHz o més i 16 bits. Si ja tens MP3, M4A o Opus, puja'l tal com és. La qualitat de l'enregistrament —micròfon proper, poc soroll i sense saturació— sol importar més que el format.
És WAV millor que MP3 per transcriure?
Un WAV enregistrat de la font conserva més detall que un MP3, i Google indica que els còdecs amb pèrdua poden reduir la precisió. La diferència sol ser petita amb veu clara i més gran amb soroll. Un WAV creat d'un MP3 no és millor perquè el detall descartat ja no hi és. Enregistra en WAV o FLAC quan puguis i puja MP3 tal com és.
Quina freqüència de mostreig hauria d'utilitzar?
Fes servir 16 kHz o més. Google recomana almenys 16,000 Hz per reconèixer veu i Whisper converteix tot l'àudio a 16 kHz mono. Enregistrar a 44.1 o 48 kHz és habitual i correcte. No augmentis una freqüència baixa després: puja un enregistrament telefònic de 8 kHz a 8 kHz, perquè augmentar-lo afegeix mida però no informació.
Hauria d'enregistrar en mono o estèreo?
En mono quan tothom comparteix micròfon. Whisper barreja estèreo a mono, de manera que una còpia estèreo de la mateixa veu només duplica la mida. Conserva estèreo o diverses pistes si cada parlant té un canal, com en gravadores de trucades o micròfons separats. Google recomana transcriure canals separats per separat; pots dividir-los amb FFmpeg.
Quant ocupa un WAV per minut?
Depèn dels ajustos: multiplica la freqüència pels bytes per mostra i pels canals per obtenir bytes per segon. Un WAV mono de 16 kHz i 16 bits és 16,000 × 2 × 1 = 32,000 bytes per segon, uns 1.92 MB per minut o 115.2 MB per hora. Estèreo tipus CD de 44.1 kHz i 16 bits ocupa uns 10.58 MB per minut o 635 MB per hora.
Puc pujar un vídeo en lloc d'extreure l'àudio?
Sí. Les eines llegeixen la pista d'àudio i ignoren la imatge; MP4, MOV, MKV o WEBM dona la mateixa transcripció que l'àudio extret. El vídeo només fa més gran la càrrega. Extreu l'àudio prop del límit o amb connexió lenta, per exemple amb -vn -c:a copy de FFmpeg, que conserva la qualitat. A whispertranscribe.ai pots pujar el vídeo tal com és i exportar DOCX, TXT, SRT o VTT.
Tens un enregistrament? Puja'l tal com és al convertidor gratuït d'àudio a text de whispertranscribe.ai: tria un dels més de 130 idiomes, activa Speaker Detection i descarrega DOCX, TXT, SRT o VTT. Fitxers fins a 5GB i 10 hores.
Referències
- 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)
