Redakce whispertranscribe.ai · Aktualizováno: listopad 2026 · Čtení na 12 minut
Nejlepším zvukovým formátem pro přepis je bezeztrátový WAV (16bitový PCM) nebo FLAC, nahraný v monu při 16 kHz nebo vyšší frekvenci, pokud nahrávání řídíte. Pokud už máte MP3, M4A nebo video, nahrajte původní soubor. Převodem komprimovaného souboru ztracené detaily nevrátíte a vzdálenost mikrofonu a hluk ovlivňují výsledek více.
Níže najdete výběr před nahráváním, postup pro již hotový soubor, vzorce pro velikost, nastavení podle situace, příkazy FFmpeg a tabulku řešení problémů.
Informace o průvodci. Tento článek vydává whispertranscribe.ai. Technická tvrzení odkazují na Google Cloud, kód Whisper od OpenAI, FFmpeg nebo Library of Congress. Pro tento článek jsme neprováděli testy přesnosti a neslibujeme, že některý formát zvýší přesnost o určité procento.
Rychlá odpověď: nejlepší zvukový formát pro přepis
Vybírejte podle fáze práce, nikoli podle jediného „vítěze“.
| Situace | Nejlepší volba | Proč |
|---|---|---|
| Nastavujete diktafon nebo aplikaci | WAV (16 bitů) nebo FLAC, mono, 16 kHz či více | Google doporučuje pro rozpoznávání řeči bezeztrátový FLAC nebo LINEAR16 |
| Při nahrávání potřebujete malé soubory | Ztrátový kodek vhodný pro řeč se středním datovým tokem | Google upřednostňuje pro řeč ztrátové kodeky v pořadí AMR-WB, Ogg Opus, Speex |
| Už máte MP3, M4A nebo Opus | Nahrajte originál | Překódování nic nevrátí |
| Máte video (MP4, MOV, MKV) | Nahrajte jej; je-li velké, extrahujte zvuk | Použije se pouze zvuková stopa |
| Mluvčí mají samostatné stopy | Stopy zachovejte | Google doporučuje každý kanál odeslat samostatně, pokud má každý vlastní |
Kdy se formátem nezabývat: hlasová poznámka z telefonu, publikovaný podcast nebo záznam Zoom či Teams. Nahrajte jej, vyberte správný jazyk řeči a raději zkontrolujte jména.
Formát, kodek a kontejner: co přípona skrývá
Přípona označuje kontejner, nikoli vždy kompresi. Průvodce optimalizací zvuku společnosti Google vysvětluje, že kodeky a formáty souborů nejsou totéž. Tři častá překvapení:
- WAV obvykle obsahuje nekomprimovaný lineární PCM, ale může obsahovat i jiné kódování (Library of Congress, WAVE).
- M4A může obsahovat ztrátový AAC nebo bezeztrátový Apple Lossless (ALAC).
- OGG je kontejner, který obvykle obsahuje Opus nebo Vorbis, oba ztrátové.
Obsah zvukových stop zjistíte pomocí nástroje ffprobe z FFmpeg:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
Příkaz vypisuje řádek pro každou zvukovou stopu; pokud žádný nevypíše, může to upozornit na soubor bez zvuku před nahráním.
Porovnání zvukových formátů pro přepis
Všechny níže uvedené formáty lze přepsat. Liší se množstvím zachovaných detailů a velikostí souboru. Velikosti vycházejí ze vzorců v další části (1 MB = 1 000 000 bajtů).
| Formát | Ztrátový či bezeztrátový | Obvyklý původ | Velikost za minutu (příklad) | Vliv na přepis | Doporučení |
|---|---|---|---|---|---|
| WAV (PCM) | Nekomprimovaný | Diktafony, zvukové editory | 1,92 MB při 16 kHz, 16 bitech, mono; 10,58 MB při 44,1 kHz, 16 bitech, stereo | Zachová vše zachycené mikrofonem | Nejlepší výchozí soubor; u dlouhých záznamů sledujte velikost |
| FLAC | Bezeztrátový (komprimovaný) | Archivy, exporty editorů | Menší než stejný WAV; úspora se liší | Stejný zvuk jako WAV | Pro úsporu místa místo WAV |
| AIFF / ALAC / CAF | AIFF obvykle nekomprimovaný; ALAC bezeztrátový; CAF může obsahovat obojí | Aplikace pro Mac a iPhone | AIFF: stejně jako WAV při stejném nastavení | Závisí na kodeku | Nahrajte beze změny |
| MP3 | Ztrátový | Podcasty, stahované soubory | 0,96 MB při 128 kbps | Podle Googlu mohou ztrátové kodeky snížit přesnost | Nahrajte beze změny |
| M4A / AAC | Obvykle ztrátový (AAC) | Hlasové poznámky, zvuk videa | 0,48 MB při 64 kbps | Stejné upozornění jako u MP3 | Nahrajte originál |
| OGG / Opus | Ztrátový | Hlasové zprávy, internetové hovory | 0,24 MB při 32 kbps | Opus patří mezi ztrátové kodeky doporučené Googlem pro řeč | Nahrajte beze změny |
| AMR (úzkopásmový) | Ztrátový, pouze řeč | Starší telefony a záznamníky hovorů | Asi 0,09 MB při 12,2 kbps | Přenáší pouze 200 až 3 400 Hz (Library of Congress, AMR) | Nahrajte beze změny; nezvyšujte vzorkovací frekvenci |
U videa nástroj stejně čte zvukovou stopu; nevýhodou je jen větší objem dat k nahrání.
Jak velký je zvukový soubor? Vzorce
Před nahráváním nebo odesláním lze velikost odhadnout dvěma vzorci.
Nekomprimovaný PCM (WAV, AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels (bajty za sekundu = vzorkovací frekvence × bitová hloubka v bajtech × počet kanálů)
Příklady výpočtu:
- 16 kHz, 16 bitů, mono: 16 000 × 2 × 1 = 32 000 bajtů za sekundu. × 60 = 1 920 000 bajtů, asi 1,92 MB za minutu nebo 115,2 MB za hodinu.
- 44,1 kHz, 16 bitů, stereo: 44 100 × 2 × 2 = 176 400 bajtů za sekundu, asi 10,58 MB za minutu nebo 635 MB za hodinu.
- 48 kHz, 24 bitů, stereo: 48 000 × 3 × 2 = 288 000 bajtů za sekundu nebo 1 036,8 MB za hodinu.
Ztrátový formát s konstantním datovým tokem (MP3, AAC, Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (bajty za minutu = datový tok v kbps × 1 000 ÷ 8 × 60) (tedy kbps × 7 500)
- 128 kbps: 128 × 7 500 = 960 000 bajtů, asi 0,96 MB za minutu nebo 57,6 MB za hodinu.
- 64 kbps: 0,48 MB za minutu; 32 kbps: 0,24 MB za minutu.
Skutečné soubory jsou kvůli hlavičkám o něco větší a soubory s proměnným tokem kolísají kolem průměru. Počítače zobrazující binární jednotky (MiB) uvádějí asi o 5 % nižší čísla.
Co čísla znamenají při limitu 5 GB a 10 hodin
whispertranscribe.ai přijímá soubory do 5 GB a 10 hodin. Při předpokladu, že 5 GB znamená 5 000 000 000 bajtů, vycházejí běžná nastavení takto:
| Nastavení | 1 hodina | 10 hodin | Vejde se 10 hodin do 5 GB? |
|---|---|---|---|
| WAV, 16 kHz, 16 bitů, mono | 115,2 MB | 1,15 GB | Ano |
| WAV, 44,1 kHz, 16 bitů, stereo | 635 MB | 6,35 GB | Ne: vejde se asi 7,9 hodiny |
| WAV, 48 kHz, 24 bitů, stereo | 1,04 GB | 10,37 GB | Ne: vejde se asi 4,8 hodiny |
| MP3, 128 kbps | 57,6 MB | 576 MB | Ano |
| Opus, 32 kbps | 14,4 MB | 144 MB | Ano |
Klasický WAV má vlastní hranici: 32bitové pole velikosti jej omezuje přibližně na 4 GB a delší nahrávky vyžadují rozšíření RF64 (Library of Congress). U velmi dlouhých bezeztrátových nahrávek pomůže FLAC nebo 16kHz mono WAV.
Co je důležitější než formát zvuku
Čistý hlas blízko mikrofonu uložený jako MP3 obvykle předčí bezeztrátovou nahrávku z druhého konce hlučné místnosti. O výsledku rozhodují zejména následující nastavení a návyky.
Vzorkovací frekvence: stačí 16 kHz?
Ano, pro řeč. Google doporučuje 16 000 Hz nebo více (doporučené postupy); jeho průvodce vysvětluje, že nižší frekvence ponechávají málo nebo žádné informace nad 8 kHz. Open-source kód Whisper od OpenAI převádí každý vstup na mono 16 000 Hz před zpracováním modelem (whisper/audio.py). Nahrávání při 44,1 nebo 48 kHz je v pořádku, soubor bude jen větší.
Dodatečné zvýšení frekvence nepomáhá: podle Googlu má soubor 8 kHz převedený na 44,1 kHz stále rozsah jen asi do 4 kHz. Telefonní zvuk, běžně 8 000 Hz, nahrajte s původní frekvencí.
Bitová hloubka: 16 nebo 24 bitů?
Google doporučuje alespoň 16 bitů a uvádí, že převod 8bitového zvuku na 16 bitů nic nepřidá, protože dynamický rozsah určil záznam. Ponechat 24bitový záznam nevadí; převod ze 16 na 24 bitů nic nepřidá.
Datový tok komprimovaných souborů
Žádná norma neurčuje datový tok zaručující dobrý přepis. Doporučení Googlu se týká typu kodeku: ztrátové kodeky mohou snížit přesnost a šum či ozvěna při ztrátové kompresi škodí více. Pokud musíte komprimovat, proveďte to jednou při středním nastavení a vyhněte se řetězcům jako WAV na MP3 na OGG.
Vzdálenost mikrofonu, hluk a úrovně
Podle doporučení Googlu pro předzpracování:
- Umístěte mikrofon rozumně co nejblíže mluvčímu, zejména při hluku na pozadí.
- Vyhněte se přebuzení. Zkreslené špičky nelze později opravit.
- Umožňuje-li to aplikace, vypněte automatické řízení zisku a potlačení šumu. Google uvádí, že potlačení šumu před rozpoznáváním obvykle snižuje přesnost.
Mono nebo stereo?
Pro jeden společný mikrofon stačí mono. Whisper stereo stejně sloučí do mona, takže stejný hlas na obou stranách pouze zdvojnásobí velikost. Stereo zachovejte, pokud každý kanál obsahuje jiného člověka, například u záznamníků hovorů nebo klopových mikrofonů. Google doporučuje takové kanály odeslat samostatně a smíchaný záznam ponechat tak, jak je.
Více stop
Nástroje pro podcasty a vzdálené rozhovory často nahrávají každého zvlášť. Můžete exportovat jednu smíchanou stopu a zapnout označení mluvčích (nejjednodušší), nebo přepsat každou zvlášť a spojit texty podle časových značek (čistší zvuk, ale spojení musíte provést sami).
Doporučený formát a nastavení podle situace
Častější je situace, kdy už soubor máte; odpověď obvykle zní „nahrajte jej“.
| Situace | Nahrávejte jako (máte-li volbu) | Pokud už máte | Před nahráním | Pozor na |
|---|---|---|---|---|
| Osobní rozhovor | WAV nebo FLAC, mono pro každý mikrofon, 44,1 nebo 48 kHz | M4A nebo MP3 z telefonu | Poznamenejte si jména a termíny | Host může být tišší než tazatel |
| Vzdálený rozhovor nebo podcast, samostatné stopy | Vlastní bezeztrátová stopa každého mluvčího | Samostatné WAV a smíchané MP3 | Vyberte mix nebo samostatné stopy | Přeslechy v mixu |
| Záznam schůzky (Zoom, Teams, Meet) | Zvuková možnost platformy, pokud existuje | MP4 nebo M4A | Zvuk extrahujte jen u velkého videa | Jeden mikrofon notebooku pro celou místnost |
| Hlasová poznámka z telefonu | Výchozí nastavení aplikace | .m4a | Exportujte originál | Telefon během nahrávání v kapse |
| Publikovaný podcast | Netýká se | Vydané MP3 | Máte-li původní WAV nebo FLAC, použijte jej | Hudební úvody; nastavte jazyk |
| Přednáška nebo seminář | Mono, 16 bitů, mikrofon blízko přednášejícího | Dlouhé MP3 nebo video | Ověřte délku vůči limitu 10 hodin | Dotazy publika mimo mikrofon |
| Záznam telefonního hovoru | Výchozí nastavení záznamníku | AMR, M4A nebo 8kHz WAV | Zachovejte původní frekvenci | Pravidla souhlasu; nezvyšujte frekvenci |
Před nahráváním hovoru získejte potřebný souhlas. Podrobnosti najdete v průvodcích nahráváním telefonních hovorů a zákony jednotlivých států. Nejde o právní poradenství.
Jak převést zvuk pro přepis pomocí FFmpeg
Převádějte jen z důvodu: soubor je příliš velký, chcete menší zvuk z videa, nástroj odmítá kodek nebo potřebujete samostatné soubory mluvčích. Převodem nelze zlepšit kvalitu.
Pět níže uvedených převodů bylo vyzkoušeno pomocí FFmpeg 4.3 na macOS; ffprobe lze použít k ověření výstupu. Volby vysvětluje dokumentace FFmpeg.
1. Libovolný soubor na 16kHz mono 16bitový WAV (stejná podoba, na jakou Whisper interně převádí):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. Libovolný soubor na 16kHz mono FLAC (bezeztrátový, většinou menší než WAV):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. Video na malé mono MP3 (přidá jednu ztrátovou kompresi; použijte, když záleží na velikosti):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. Vyjmutí zvuku z videa bez překódování (funguje pro zvuk AAC, běžný v MP4):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. Rozdělení dvoukanálové nahrávky na soubor pro každého mluvčího (používá filtr channelsplit):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| Volba | Význam |
|---|---|
-ac 1 |
Sloučí zvuk do jednoho kanálu |
-ar 16000 |
Nastaví výstupní frekvenci na 16 000 Hz |
-c:a pcm_s16le |
Zapíše 16bitový nekomprimovaný PCM (standardní WAV) |
-vn |
Vynechá obraz |
-c:a copy |
Zkopíruje zvuk beze změny kvality |
-b:a 64k |
Nastaví ztrátový datový tok |
Je-li zvuk videa již AAC, dejte přednost příkazu 4 před 3: zachová původní kvalitu. U telefonního zvuku 8 kHz vynechte -ar 16000, abyste frekvenci zbytečně nezvyšovali.
Bez příkazové řádky? Převodník zvuku a videa na MP3 od whispertranscribe.ai extrahuje zvuk z MP4, MOV, MKV, WEBM nebo AVI v prohlížeči. Stránka uvádí, že používá WebAssembly a soubory zpracovává v prohlížeči bez nahrávání.
Velké soubory: limit 5 GB a 10 hodin
- Příliš velký soubor kratší než 10 hodin: obvykle video nebo WAV s vysokým rozlišením. Extrahujte zvuk (příkaz 4 nebo převodník v prohlížeči) nebo převeďte WAV na FLAC (příkaz 2).
- Více než 10 hodin: stránka nahrávání zobrazuje „Momentálně můžeme zpracovat pouze soubory dlouhé nejvýše 10 hodin. Zkraťte soubor na 10 hodin nebo méně a zkuste to znovu.“ Rozdělte jej. Příkaz pro rozdělení bez překódování v průvodci přepisem MP3 funguje i pro WAV; vyzkoušeli jsme jej na testovacím WAV. Při spojování textu zkontrolujte návaznosti.
- Pomalé připojení: hodina MP3 při 64 kbps má asi 28,8 MB oproti 635 MB u stereo WAV v kvalitě CD. Bezeztrátový originál si ponechte v archivu.
Řešení problémů se zvukovým formátem
| Problém | Pravděpodobná příčina | Co zkusit |
|---|---|---|
| „Nebyl zjištěn žádný zvuk. Soubor může být poškozený. Zkontrolujte jej a zkuste to znovu.“ (zpráva na stránkách nahrávání) | Poškozený soubor, video exportované bez zvuku nebo prázdná stopa | Přehrajte jej místně; spusťte výše uvedenou kontrolu ffprobe (žádný výstup znamená žádnou zvukovou stopu); exportujte z původní aplikace znovu |
| Nahrání odmítnuto kvůli délce | Soubor přesahuje 10 hodin | Rozdělte jej na části do 10 hodin |
| Soubor je příliš velký | Video nebo vícekanálový WAV s vysokým rozlišením | Extrahujte zvuk nebo převeďte WAV na FLAC |
| WAV nad 4 GB nelze otevřít nebo nahrát | Limit klasického WAV | Exportujte jako RF64 či FLAC nebo rozdělte |
| Jeden mluvčí je mnohem tišší | Každý je na samostatném kanálu s jinou úrovní | Rozdělte kanály (příkaz 5) a soubory přepište zvlášť |
| Zkreslené, praskající špičky | Přebuzení při nahrávání | Nelze opravit; příště snižte vstupní zisk |
| Telefonní zvuk je po převodu na 48 kHz stále špatný | Zvýšení frekvence nepřidává informace | Nahrajte originál; vyzkoušejte jazykovou volbu „Noise / Low-Quality Audio/Video“, pokud je dostupná |
Jak pomáhá whispertranscribe.ai
whispertranscribe.ai je nástroj pro přepis využívající modely Whisper od OpenAI, dostupný ve webovém prohlížeči (bez aplikace, API a lidské korektury). Bezplatný převodník zvuku na text a další stránky uvádějí formáty MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG a MPEG.
- Limity: soubory do 5 GB a 10 hodin.
- Jazyky: více než 130 jazyků, u mnoha s možnostmi „Noise / Low-Quality Audio/Video“.
- Přesnost: až 99 % u čistého zvuku. Hluk, vzdálenost, přízvuky a překrývání hlasů ji snižují.
- Mluvčí: před přepisem zapněte Speaker Detection.
- Export: DOCX, PDF, TXT, CSV, SRT a VTT.
- Soukromí: zásady ochrany osobních údajů uvádějí, že původní soubory se po zpracování mažou a extrahované MP3 se standardně uchovávají 30 dní.
Pro konkrétní nahrávky viz stránky souborů MP3, hlasových poznámek, telefonních hovorů, rozhovorů a přednášek a seminářů. Vyzkoušejte soubor na bezplatné stránce bez účtu (limity jsou uvedeny tam). Placené tarify od 9,99 USD měsíčně při roční platbě (ceny). Další informace jsou na stránce funkcí.
Časté dotazy
Jaký je nejlepší zvukový formát pro přepis?
Pokud řídíte nahrávání, nejlepší je WAV nebo FLAC, ideálně mono při 16 kHz nebo více a 16bitové hloubce. Pokud už máte komprimovaný soubor MP3, M4A nebo Opus, nahrajte jej bez převodu. Kvalita záznamu, tedy blízký mikrofon, málo hluku a žádné přebuzení, je obvykle důležitější než volba formátu.
Je WAV pro přepis lepší než MP3?
WAV nahraný ze zdroje zachová více detailů než MP3 a Google uvádí, že ztrátové kodeky jako MP3 mohou snížit přesnost rozpoznávání. Rozdíl bývá malý u čisté řeči a větší u hlučných nahrávek. WAV vytvořený z existujícího MP3 není lepší, protože odstraněné detaily jsou pryč. Pokud můžete, nahrávejte do WAV nebo FLAC; existující MP3 nahrajte beze změny.
Jakou vzorkovací frekvenci použít pro přepis?
Použijte 16 kHz nebo více. Google doporučuje alespoň 16 000 Hz pro rozpoznávání řeči a Whisper od OpenAI před zpracováním převádí zvuk na mono 16 kHz. Nahrávání při 44,1 nebo 48 kHz je běžné a vhodné. Nižší frekvenci dodatečně nezvyšujte: telefonní záznam 8 kHz nahrajte při 8 kHz, protože převzorkování zvětší soubor, ale nepřidá informace o řeči.
Mám pro přepis nahrávat mono nebo stereo?
Pokud všichni sdílejí jeden mikrofon, nahrávejte mono. Whisper stereo stejně sloučí do mona, takže stereo kopie stejného hlasu pouze zdvojnásobí soubor. Stereo nebo více stop zachovejte, má-li každý mluvčí samostatný kanál, například u záznamníku hovorů nebo mikrofonu pro každého hosta. Google doporučuje přepisovat samostatné kanály zvlášť; lze je rozdělit pomocí FFmpeg.
Jak velký je soubor WAV za minutu?
Záleží na nastavení: vzorkovací frekvenci vynásobte počtem bajtů na vzorek a počtem kanálů. Mono WAV 16 kHz a 16 bitů má 16 000 × 2 × 1 = 32 000 bajtů za sekundu, asi 1,92 MB za minutu nebo 115,2 MB za hodinu. Stereo v kvalitě CD, 44,1 kHz a 16 bitů, má asi 10,58 MB za minutu nebo 635 MB za hodinu.
Mohu místo extrakce zvuku nahrát video?
Ano. Přepisovací nástroje čtou zvukovou stopu a obraz ignorují, takže MP4, MOV, MKV nebo WEBM poskytne stejný přepis jako extrahovaný zvuk. Video pouze zvětšuje objem nahrávaných dat. Zvuk extrahujte, když se soubor blíží limitu nebo je připojení pomalé, například pomocí -vn -c:a copy ve FFmpeg, který zachová původní kvalitu zvuku. Na whispertranscribe.ai můžete nahrát video přímo a exportovat DOCX, TXT, SRT nebo VTT.
Máte připravenou nahrávku? Nahrajte ji beze změny do bezplatného převodníku zvuku na text na whispertranscribe.ai: vyberte jeden z více než 130 jazyků, zapněte Speaker Detection a stáhněte DOCX, TXT, SRT nebo VTT. Soubory do 5 GB a 10 hodin.
Zdroje
- Google Cloud: Doporučené postupy pro Speech-to-Text (poskytování řeči)
- Google Cloud: Optimalizace zvukových souborů pro Speech-to-Text
- OpenAI: whisper/audio.py v repozitáři Whisper na GitHubu
- FFmpeg: Dokumentace příkazové řádky ffmpeg a filtr channelsplit
- Library of Congress: Formát WAVE Audio File Format (fdd000001)
- Library of Congress: AMR, Adaptive Multi-Rate Speech Codec (fdd000254)
