Af whispertranscribe.ai-redaktionen · Senest opdateret: november 2026 · 12 minutters læsning
Det bedste lydformat til transskription er tabsfri WAV (16-bit PCM) eller FLAC, optaget i mono ved mindst 16 kHz, når du selv styrer optagelsen. Har du allerede MP3, M4A eller video, så upload originalen. Konvertering af en komprimeret fil kan ikke genskabe tabte detaljer, og mikrofonafstand og støj betyder mere.
Her gennemgår vi valget før optagelse, filer du allerede har, størrelsesformler, indstillinger efter situation, FFmpeg-kommandoer og fejlfinding.
Oplysning. whispertranscribe.ai udgiver denne vejledning. Tekniske påstande linker til Google Cloud, OpenAI's Whisper-kode, FFmpeg eller Library of Congress. Vi har ikke udført nøjagtighedstest til artiklen og lover ikke en bestemt procentvis forbedring fra et format.
Kort svar: det bedste lydformat til transskription
Vælg efter din situation, ikke efter én samlet vinder.
| Situation | Bedste valg | Hvorfor |
|---|---|---|
| Du indstiller en optager eller app | WAV (16-bit) eller FLAC, mono, mindst 16 kHz | Google anbefaler tabsfri FLAC eller LINEAR16 til talegenkendelse |
| Du har brug for små filer under optagelse | Et taletilpasset codec med tab ved moderat bitrate | Googles foretrukne codecs med tab til tale er AMR-WB, Ogg Opus og Speex i den rækkefølge |
| Du har allerede MP3, M4A eller Opus | Upload originalen | Omkodning genskaber ingen detaljer |
| Du har video (MP4, MOV, MKV) | Upload den; udtræk lyd, hvis den er meget stor | Kun lydsporet bruges |
| Talerne er optaget på separate spor | Behold sporene | Google anbefaler at sende kanalerne separat, når hver person har sin egen |
Hvornår formatet ikke behøver bekymre dig: en stemmememo, et udgivet podcastafsnit eller en Zoom- eller Teams-optagelse. Upload filen, vælg talesproget, og brug tiden på at kontrollere navne.
Format, codec og container: Hvad filtypen skjuler
Filtypen angiver containeren, ikke altid komprimeringen. Googles vejledning om lydoptimering forklarer, at codecs og filformater ikke er det samme. Tre eksempler:
- WAV indeholder normalt ukomprimeret lineær PCM, men kan også indeholde andre kodninger (Library of Congress, WAVE).
- M4A kan indeholde AAC med tab eller tabsfri Apple Lossless (ALAC).
- OGG er en container, som normalt indeholder Opus eller Vorbis, begge med tab.
Brug FFmpegs ffprobe til kun at vise lydstrømmene:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
Kommandoen viser en linje pr. lydstrøm; intet output kan indikere, at filen mangler et lydspor. Vi hævder ikke at have udført denne test her.
Sammenligning af lydformater til transskription
Alle nedenstående formater kan transskriberes. Forskellen er bevarede detaljer og filstørrelse. Størrelserne kommer fra formlerne i næste afsnit (1 MB = 1.000.000 bytes).
| Format | Med eller uden tab | Typisk kilde | Størrelse pr. minut (eksempel) | Betydning for transskription | Hvad gør du? |
|---|---|---|---|---|---|
| WAV (PCM) | Ukomprimeret | Feltoptagere, lydredigering | 1.92 MB ved 16 kHz, 16-bit, mono; 10.58 MB ved 44.1 kHz, 16-bit, stereo | Bevarer alt mikrofonen fangede | God master; hold øje med størrelsen ved lange optagelser |
| FLAC | Tabsfri, komprimeret | Arkiver, eksport fra editor | Mindre end samme WAV; besparelsen varierer | Samme lyd som WAV | Brug i stedet for WAV for at spare plads |
| AIFF / ALAC / CAF | AIFF normalt ukomprimeret; ALAC tabsfri; CAF kan rumme begge | Mac- og iPhone-apps | AIFF: som WAV med samme indstillinger | Afhænger af codec | Upload som den er |
| MP3 | Med tab | Podcasts, downloads | 0.96 MB ved 128 kbps | Google: codecs med tab kan reducere nøjagtigheden | Upload som den er |
| M4A / AAC | Normalt med tab (AAC) | Stemmememoer, videolyd | 0.48 MB ved 64 kbps | Samme forbehold som MP3 | Upload originalen |
| OGG / Opus | Med tab | Talebeskeder, webopkald | 0.24 MB ved 32 kbps | Opus er på Googles liste over foretrukne codecs til tale | Upload som den er |
| AMR (smalbånd) | Med tab, kun tale | Ældre telefoner og opkaldsoptagere | Omkring 0.09 MB ved 12.2 kbps | Dækker kun 200–3.400 Hz (Library of Congress, AMR) | Upload som den er; opsampl ikke |
Video fungerer på samme måde: værktøjet læser lydsporet, så den ekstra omkostning er uploadstørrelsen.
Hvor stor er en lydfil? Formlerne
To formler giver et overslag før optagelse eller upload.
Ukomprimeret PCM (WAV, AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels
Eksempler:
- 16 kHz, 16-bit, mono: 16.000 × 2 × 1 = 32.000 bytes pr. sekund. × 60 = 1.920.000 bytes, ca. 1.92 MB pr. minut eller 115.2 MB pr. time.
- 44.1 kHz, 16-bit, stereo: 44.100 × 2 × 2 = 176.400 bytes pr. sekund, ca. 10.58 MB pr. minut eller 635 MB pr. time.
- 48 kHz, 24-bit, stereo: 48.000 × 3 × 2 = 288.000 bytes pr. sekund eller 1.036,8 MB pr. time.
Komprimering med tab ved konstant bitrate (MP3, AAC, Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (dvs. kbps × 7.500)
- 128 kbps: 128 × 7.500 = 960.000 bytes, ca. 0.96 MB pr. minut eller 57.6 MB pr. time.
- 64 kbps: 0.48 MB pr. minut; 32 kbps: 0.24 MB pr. minut.
Rigtige filer er lidt større på grund af headere, og variabel bitrate svinger omkring gennemsnittet. Computere med binære enheder (MiB) viser ca. 5 % lavere tal.
Hvad betyder tallene for uploadgrænsen på 5 GB og 10 timer?
whispertranscribe.ai accepterer filer på op til 5 GB og 10 timer. Her er almindelige indstillinger, hvis 5 GB betyder 5.000.000.000 bytes:
| Indstilling | 1 time | 10 timer | Kan 10 timer være under 5 GB? |
|---|---|---|---|
| WAV, 16 kHz, 16-bit, mono | 115.2 MB | 1.15 GB | Ja |
| WAV, 44.1 kHz, 16-bit, stereo | 635 MB | 6.35 GB | Nej: ca. 7.9 timer kan være der |
| WAV, 48 kHz, 24-bit, stereo | 1.04 GB | 10.37 GB | Nej: ca. 4.8 timer kan være der |
| MP3, 128 kbps | 57.6 MB | 576 MB | Ja |
| Opus, 32 kbps | 14.4 MB | 144 MB | Ja |
En klassisk WAV har også sin egen grænse: et 32-bit størrelsesfelt begrænser filen til ca. 4 GB, og længere optagelser kræver RF64 (Library of Congress). Til meget lange tabsfri optagelser undgår FLAC eller en 16 kHz mono-WAV begge problemer.
Hvad betyder mere end lydformatet?
En klar stemme tæt på mikrofonen gemt som MP3 er normalt bedre end en tabsfri optagelse fra den anden ende af et støjende rum. Følgende indstillinger og vaner afgør meget af resultatet.
Samplingsfrekvens: Er 16 kHz nok?
Ja, til tale. Google anbefaler mindst 16.000 Hz (best practices); vejledningen forklarer, at lavere frekvenser efterlader lidt eller ingen information over 8 kHz. OpenAI's åbne Whisper-kode konverterer alle input til 16.000 Hz mono før modellen (whisper/audio.py). Optagelse ved 44.1 eller 48 kHz er fint, men giver større filer.
At hæve frekvensen bagefter hjælper ikke: Google bemærker, at en 8 kHz-fil opsamplet til 44.1 kHz stadig kun indeholder ca. 4 kHz frekvensområde. Upload telefonlyd, ofte 8.000 Hz, ved original frekvens.
Bitdybde: 16-bit eller 24-bit?
Google anbefaler mindst 16 bit og siger, at konvertering fra 8 til 16 bit ikke tilføjer noget, fordi det dynamiske område blev bestemt ved optagelsen. Det skader ikke at beholde 24-bit originalen; konvertering fra 16 til 24 tilføjer intet.
Bitrate for komprimerede filer
Ingen standard angiver en bitrate, der garanterer god transskription. Googles anbefaling handler om codec: komprimering med tab kan reducere nøjagtigheden, og støj eller ekko påvirker mere ved komprimering med tab. Skal du komprimere, så gør det én gang ved en moderat indstilling og undgå kæder som WAV til MP3 til OGG.
Mikrofonafstand, støj og niveauer
Fra Googles råd om forbehandling:
- Placér mikrofonen så tæt på taleren som rimeligt, især ved baggrundsstøj.
- Undgå clipping. Forvrængede toppe kan ikke repareres bagefter.
- Slå automatisk gain og støjreduktion fra, hvis appen tillader det. Google siger, at støjreduktion før genkendelse typisk reducerer nøjagtigheden.
Mono eller stereo?
Ved én fælles mikrofon er mono nok. Whisper mixer alligevel stereo til mono, så den samme stemme i begge kanaler fordobler kun uploadstørrelsen. Behold stereo, når hver kanal indeholder en forskellig person, f.eks. ved opkaldsoptagelse eller én clip-on-mikrofon pr. kanal. Google anbefaler da at sende kanalerne separat og en allerede mixet optagelse som den er.
Fler-sporsoptagelser
Podcast- og fjerninterviewværktøjer optager ofte hver person på sit eget spor. Eksportér enten ét mix og slå taleretiketter til (enklest), eller transskriber hvert spor separat og saml teksterne efter tidskode (renere lyd, men du skal selv samle dem).
Anbefalet format og indstillinger efter situation
Den mest almindelige situation er, at du allerede har en fil, og svaret er normalt at uploade den.
| Situation | Optag som (hvis du vælger) | Hvis du allerede har | Før upload | Vær opmærksom på |
|---|---|---|---|---|
| Interview ansigt til ansigt | WAV eller FLAC, mono pr. mikrofon, 44.1 eller 48 kHz | M4A eller MP3 fra telefon | Notér navne og udtryk | Gæsten kan være lavere end intervieweren |
| Fjerninterview eller podcast, separate spor | Hver talers eget spor, tabsfrit | Separate WAV-filer og en mixet MP3 | Vælg mix eller separate spor | Overlappende tale i mixet |
| Mødeoptagelse (Zoom, Teams, Meet) | Platformens lydindstilling, hvis tilgængelig | MP4 eller M4A | Udtræk kun lyd, hvis videoen er meget stor | Én bærbar mikrofon til hele rummet |
| Stemmememo på telefon | Appens standard | .m4a | Eksportér originalen | Telefonen i lommen under optagelse |
| Udgivet podcastafsnit | Ikke relevant | Den udgivne MP3 | Brug WAV eller FLAC fra før udgivelsen, hvis du har den | Musikintroer; vælg sproget |
| Forelæsning eller seminar | Mono, 16-bit, mikrofon nær underviseren | Lang MP3 eller video | Kontrollér længden mod 10 timer | Publikumsspørgsmål langt fra mikrofonen |
| Telefonopkald | Optagerens standard | AMR, M4A eller 8 kHz WAV | Behold original samplingsfrekvens | Samtykkeregler; opsampl ikke |
Indhent nødvendigt samtykke og arrangørens tilladelse før optagelse, og respekter forbud. Vores vejledninger om optagelse af telefonopkald og amerikanske delstaters optagelseslove gennemgår samtykke. Dette er ikke juridisk rådgivning.
Sådan konverterer du lyd til transskription med FFmpeg
Konvertér kun med en grund: Filen er for stor, du vil have mindre upload fra video, et værktøj afviser codecet, eller talerne skal have separate filer. Konvertering genskaber ikke mistet kvalitet.
Kommandoerne er eksempler; vi hævder ikke at have testet dem her. Du kan kontrollere codec, samplingsfrekvens og kanaler med ffprobe. Indstillingerne forklares i FFmpeg-dokumentationen.
1. En fil til 16 kHz mono 16-bit WAV (samme form som Whisper internt konverterer til):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. En fil til 16 kHz mono FLAC (tabsfri og normalt mindre end WAV):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. Video til en lille mono-MP3 (tilføjer et trin med tab; brug når størrelse er vigtigst):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. Udtræk lyd fra video uden omkodning (virker, når lyden er AAC, som er almindeligt i MP4):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. Del en optagelse med to kanaler i én fil pr. taler (bruger channelsplit-filteret):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| Indstilling | Funktion |
|---|---|
-ac 1 |
Mixer lyden til én kanal |
-ar 16000 |
Sætter output til 16.000 Hz |
-c:a pcm_s16le |
Skriver 16-bit ukomprimeret PCM (standard-WAV) |
-vn |
Fjerner videostrømmen |
-c:a copy |
Kopierer lyden uden kvalitetsændring |
-b:a 64k |
Sætter bitrate ved komprimering med tab |
Foretræk kommando 4 frem for 3, når videolyden allerede er AAC, da originalkvaliteten bevares. Udelad -ar 16000 for telefonlyd ved 8 kHz for at undgå opsampling.
Ingen kommandolinje? whispertranscribe.ai's lyd- og video til MP3-konverter udtrækker lyd fra MP4, MOV, MKV, WEBM eller AVI i browseren. Siden siger, at den bruger WebAssembly og behandler filerne i browseren uden upload.
Store filer: Hold dig under 5 GB og 10 timer
- For stor, men under 10 timer: typisk video eller højopløst WAV. Udtræk lyd (kommando 4 eller browserkonverteren), eller konvertér WAV til FLAC (kommando 2).
- Over 10 timer: uploadsiden viser „At the moment, we can only process files up to 10 hours long. Please shorten your file to 10 hours or less and try again.” Del filen. Kommandoen uden omkodning i vores MP3 til tekst-guide virker også med WAV. Kontrollér samlingerne, når teksterne samles.
- Langsom forbindelse: én time 64 kbps MP3 er ca. 28.8 MB mod 635 MB for CD-lignende stereo-WAV. Behold den tabsfri original i arkivet.
Fejlfinding for lydformater
| Problem | Sandsynlig årsag | Forsøg |
|---|---|---|
| „No audio detected. The file may be corrupted. Please check the file and try again.” (vist på uploadsiderne) | Beskadiget fil, video eksporteret uden lyd eller tomt lydspor | Afspil lokalt; kør ffprobe-kontrollen ovenfor (intet output betyder ingen lydstrøm); eksportér igen fra originalappen |
| Upload afvist som for lang | Fil over 10 timer | Del i dele på højst 10 timer |
| Filen er for stor | Video eller højopløst WAV med flere kanaler | Udtræk lyd eller konvertér WAV til FLAC |
| WAV over 4 GB åbner eller uploader ikke | Klassisk WAV-størrelsesgrænse | Eksportér som RF64 eller FLAC, eller del filen |
| Én taler er meget lavere end den anden | Hver person ligger på sin egen kanal med forskelligt niveau | Del kanalerne (kommando 5), og transskriber hver fil |
| Forvrængede, knitrende toppe | Clipping under optagelsen | Kan ikke repareres; sænk inputniveauet næste gang |
| Telefonlyd er stadig dårlig efter konvertering til 48 kHz | Opsampling tilføjer ingen information | Upload originalen; prøv en Noise / Low-Quality Audio/Video-sprogindstilling, hvor den findes |
Hvor passer whispertranscribe.ai ind?
whispertranscribe.ai er et browserbaseret transskriptionsværktøj baseret på OpenAI's Whisper-modeller (ingen app, API eller menneskelig korrektur). Den gratis lyd til tekst-konverter og andre uploadsider angiver MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG og MPEG.
- Grænser: filer på op til 5 GB og 10 timer.
- Sprog: over 130, med Noise / Low-Quality Audio/Video for mange.
- Nøjagtighed: op til 99 % ved klar lyd. Støj, afstand, accenter og overlappende tale reducerer den.
- Talere: slå Speaker Detection til før transskription.
- Eksport: DOCX, PDF, TXT, CSV, SRT og VTT.
- Privatliv: privatlivspolitikken siger, at originale uploads slettes efter behandling, og udtrukne MP3-filer som standard gemmes i 30 dage.
Til specifikke optagelser, se siderne for MP3-filer, stemmememoer, telefonopkald, interviews og forelæsninger og seminarer. Prøv en fil på gratis-siden uden konto (grænserne vises der). Betalte abonnementer starter ved 9,99 USD/måned årligt (priser). Resten findes på funktionssiden.
Ofte stillede spørgsmål
Hvad er det bedste lydformat til transskription?
WAV eller FLAC er bedst, når du styrer optagelsen, helst mono ved mindst 16 kHz og 16-bit. Har du allerede en komprimeret MP3, M4A eller Opus, så upload den som den er. Optagekvalitet med nær mikrofon, lav baggrundsstøj og uden clipping betyder normalt mere end formatet.
Er WAV bedre end MP3 til transskription?
WAV optaget ved kilden bevarer flere detaljer end MP3, og Google bemærker, at codecs med tab kan reducere genkendelsens nøjagtighed. Forskellen er ofte lille ved klar tale og større ved støj. En WAV lavet af en eksisterende MP3 er ikke bedre, fordi de kasserede detaljer er væk. Optag WAV eller FLAC, når du kan, og upload MP3 uændret.
Hvilken samplingsfrekvens skal jeg bruge?
Brug mindst 16 kHz. Google anbefaler mindst 16.000 Hz til talegenkendelse, og OpenAI's Whisper konverterer lyd til 16 kHz mono før behandling. Optagelse ved 44.1 eller 48 kHz er almindeligt og fint. Hæv aldrig en lavere frekvens bagefter: upload en telefonoptagelse på 8 kHz ved 8 kHz, fordi opsampling giver større fil uden nye taleoplysninger.
Skal jeg optage i mono eller stereo?
Optag i mono, når alle deler én mikrofon. Whisper mixer alligevel stereo til mono, så en stereokopi af samme stemme fordobler kun filstørrelsen. Behold stereo eller flere spor, når hver taler har sin egen kanal. Google anbefaler at transskribere kanalerne separat, hvilket kan gøres ved at dele dem med FFmpeg.
Hvor stor er en WAV-fil pr. minut?
Det afhænger af indstillingerne: gang samplingsfrekvens med bytes pr. sample og antal kanaler for bytes pr. sekund. En 16 kHz, 16-bit mono-WAV er 16.000 × 2 × 1 = 32.000 bytes pr. sekund, ca. 1.92 MB pr. minut eller 115.2 MB pr. time. CD-lignende 44.1 kHz, 16-bit stereo er ca. 10.58 MB pr. minut eller 635 MB pr. time.
Kan jeg uploade video i stedet for at udtrække lyd?
Ja. Transskriptionsværktøjer læser lydsporet og ignorerer billedet, så MP4, MOV, MKV eller WEBM giver samme transskription som den udtrukne lyd. Video gør blot uploaden større. Udtræk lyden nær størrelsesgrænsen eller ved langsom forbindelse, f.eks. med FFmpegs -vn -c:a copy, som bevarer lydkvaliteten. På whispertranscribe.ai kan du uploade videoen som den er og eksportere DOCX, TXT, SRT eller VTT.
Har du en optagelse klar? Upload den som den er til whispertranscribe.ai's gratis lyd til tekst-konverter: Vælg blandt over 130 sprog, slå Speaker Detection til, og download DOCX, TXT, SRT eller VTT. Filer op til 5 GB og 10 timer.
Kilder
- 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)
