Millor format d'àudio per transcriure: enregistrar, pujar i convertir

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

Vols convertir les teves gravacions en text?

Transcriu àudio i vídeo amb whispertranscribe.ai.

Comença a transcriure ↗