Από τη συντακτική ομάδα whispertranscribe.ai · Τελευταία ενημέρωση: Νοέμβριος 2026 · Χρόνος ανάγνωσης: 12 λεπτά
Η καλύτερη μορφή ήχου για απομαγνητοφώνηση είναι ήχος χωρίς απώλειες, WAV (16-bit PCM) ή FLAC, σε μονοφωνική εγγραφή στα 16 kHz ή υψηλότερα, όταν ελέγχετε την εγγραφή. Αν έχετε ήδη αρχείο MP3, M4A ή βίντεο, μεταφορτώστε το όπως είναι. Η μετατροπή συμπιεσμένου αρχείου δεν επαναφέρει τις χαμένες λεπτομέρειες, ενώ η απόσταση του μικροφώνου και ο θόρυβος επηρεάζουν περισσότερο το αποτέλεσμα.
Παρακάτω: τι να επιλέξετε πριν πατήσετε εγγραφή, τι να κάνετε με ένα αρχείο που σας δόθηκε, τύποι μεγέθους, ρυθμίσεις ανά περίπτωση, εντολές FFmpeg και πίνακας επίλυσης προβλημάτων.
Γνωστοποίηση. Η whispertranscribe.ai δημοσιεύει αυτόν τον οδηγό. Οι τεχνικοί ισχυρισμοί παραπέμπουν στο Google Cloud, τον κώδικα Whisper της OpenAI, το FFmpeg ή τη Βιβλιοθήκη του Κογκρέσου. Δεν πραγματοποιήσαμε δοκιμές ακρίβειας για αυτό το άρθρο και δεν υποσχόμαστε συγκεκριμένη ποσοστιαία βελτίωση από καμία μορφή.
Σύντομη απάντηση: η καλύτερη μορφή ήχου για απομαγνητοφώνηση
Επιλέξτε ανάλογα με το στάδιο της εργασίας σας, όχι με βάση έναν μοναδικό «νικητή».
| Η περίπτωσή σας | Καλύτερη επιλογή | Γιατί |
|---|---|---|
| Ρυθμίζετε συσκευή ή εφαρμογή εγγραφής | WAV (16-bit) ή FLAC, mono, 16 kHz ή υψηλότερα | Η Google συνιστά FLAC ή LINEAR16 χωρίς απώλειες για αναγνώριση ομιλίας |
| Χρειάζεστε μικρά αρχεία κατά την εγγραφή | Codec με απώλειες κατάλληλο για ομιλία σε μέτριο bitrate | Οι προτιμώμενοι codec με απώλειες της Google για ομιλία είναι, με σειρά: AMR-WB, Ogg Opus, Speex |
| Έχετε ήδη αρχείο MP3, M4A ή Opus | Μεταφορτώστε το πρωτότυπο | Η επανακωδικοποίηση δεν επαναφέρει πληροφορίες |
| Έχετε βίντεο (MP4, MOV, MKV) | Μεταφορτώστε το· εξαγάγετε ήχο αν είναι τεράστιο | Χρησιμοποιείται μόνο το κομμάτι ήχου |
| Οι ομιλητές έχουν εγγραφεί σε ξεχωριστά κανάλια | Κρατήστε τα κανάλια | Η Google συνιστά ξεχωριστή αποστολή κάθε καναλιού όταν κάθε άτομο έχει το δικό του |
Πότε δεν χρειάζεται να ανησυχείτε για τη μορφή: φωνητικό σημείωμα τηλεφώνου, δημοσιευμένο επεισόδιο podcast ή εγγραφή Zoom ή Teams. Μεταφορτώστε το, επιλέξτε τη σωστή γλώσσα και αφιερώστε τον χρόνο σας στον έλεγχο ονομάτων.
Μορφή, codec και container: τι κρύβει η επέκταση αρχείου
Η επέκταση ονομάζει το container, όχι πάντα τη συμπίεση. Το σεμινάριο βελτιστοποίησης ήχου της Google εξηγεί ότι codec και μορφή αρχείου δεν είναι το ίδιο. Τρεις συνηθισμένες εκπλήξεις:
- Το WAV συνήθως περιέχει ασυμπίεστο γραμμικό PCM, αλλά μπορεί να περιέχει και άλλες κωδικοποιήσεις (Βιβλιοθήκη του Κογκρέσου, WAVE).
- Το M4A μπορεί να περιέχει AAC με απώλειες ή Apple Lossless (ALAC) χωρίς απώλειες.
- Το OGG είναι container που συνήθως περιέχει Opus ή Vorbis, και τα δύο με απώλειες.
Για να δείτε τι περιέχει πραγματικά ένα αρχείο, ζητήστε από το ffprobe του FFmpeg μόνο τις ροές ήχου:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
Η εντολή εμφανίζει μία γραμμή ανά ροή ήχου. Χωρίς έξοδο μπορεί να μην υπάρχει ροή ήχου, κάτι που μπορείτε να ελέγξετε πριν από τη μεταφόρτωση.
Σύγκριση μορφών ήχου για απομαγνητοφώνηση
Κάθε μορφή παρακάτω μπορεί να απομαγνητοφωνηθεί. Διαφέρουν οι λεπτομέρειες που διατηρούνται και το μέγεθος. Τα μεγέθη προκύπτουν από τους τύπους στην επόμενη ενότητα (1 MB = 1,000,000 bytes).
| Μορφή | Με ή χωρίς απώλειες | Συνήθης προέλευση | Μέγεθος ανά λεπτό (ενδεικτική ρύθμιση) | Επίδραση στην απομαγνητοφώνηση | Τι να κάνετε |
|---|---|---|---|---|---|
| WAV (PCM) | Ασυμπίεστο | Συσκευές πεδίου, επεξεργαστές ήχου | 1.92 MB στα 16 kHz, 16-bit, mono· 10.58 MB στα 44.1 kHz, 16-bit, stereo | Διατηρεί ό,τι κατέγραψε το μικρόφωνο | Καλύτερο πρωτότυπο· προσέξτε το μέγεθος σε μεγάλες εγγραφές |
| FLAC | Χωρίς απώλειες (συμπιεσμένο) | Αρχεία, εξαγωγές επεξεργαστή | Μικρότερο από το ίδιο WAV· η εξοικονόμηση ποικίλλει | Ίδιος ήχος με το WAV | Χρησιμοποιήστε το αντί WAV για εξοικονόμηση χώρου |
| AIFF / ALAC / CAF | AIFF συνήθως ασυμπίεστο· ALAC χωρίς απώλειες· CAF μπορεί να περιέχει και τα δύο | Εφαρμογές Mac και iPhone | AIFF: ίδιο με WAV στις ίδιες ρυθμίσεις | Εξαρτάται από τον εσωτερικό codec | Μεταφορτώστε όπως είναι |
| MP3 | Με απώλειες | Podcast, λήψεις | 0.96 MB στα 128 kbps | Google: οι codec με απώλειες μπορεί να μειώσουν την ακρίβεια | Μεταφορτώστε όπως είναι |
| M4A / AAC | Συνήθως με απώλειες (AAC) | Φωνητικά σημειώματα, ήχος βίντεο | 0.48 MB στα 64 kbps | Ίδια προσοχή με MP3 | Μεταφορτώστε το πρωτότυπο |
| OGG / Opus | Με απώλειες | Φωνητικά μηνύματα, διαδικτυακές κλήσεις | 0.24 MB στα 32 kbps | Το Opus είναι στη λίστα προτιμώμενων codec με απώλειες της Google | Μεταφορτώστε όπως είναι |
| AMR (στενής ζώνης) | Με απώλειες, μόνο ομιλία | Παλαιότερα τηλέφωνα και συσκευές καταγραφής κλήσεων | Περίπου 0.09 MB στα 12.2 kbps | Μεταφέρει μόνο 200 έως 3,400 Hz (Βιβλιοθήκη του Κογκρέσου, AMR) | Μεταφορτώστε όπως είναι· μην αυξάνετε τον ρυθμό δειγματοληψίας |
Τα αρχεία βίντεο λειτουργούν με τον ίδιο τρόπο: το εργαλείο διαβάζει το κομμάτι ήχου, άρα το μόνο επιπλέον κόστος είναι το μέγεθος μεταφόρτωσης.
Πόσο μεγάλο είναι ένα αρχείο ήχου; Οι τύποι
Δύο τύποι επιτρέπουν την εκτίμηση μεγέθους πριν από την εγγραφή ή μεταφόρτωση.
Ασυμπίεστο PCM (WAV, AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels
Παραδείγματα:
- 16 kHz, 16-bit, mono: 16,000 × 2 × 1 = 32,000 bytes ανά δευτερόλεπτο. × 60 = 1,920,000 bytes, περίπου 1.92 MB ανά λεπτό, ή 115.2 MB ανά ώρα.
- 44.1 kHz, 16-bit, stereo: 44,100 × 2 × 2 = 176,400 bytes ανά δευτερόλεπτο, περίπου 10.58 MB ανά λεπτό, ή 635 MB ανά ώρα.
- 48 kHz, 24-bit, stereo: 48,000 × 3 × 2 = 288,000 bytes ανά δευτερόλεπτο, ή 1,036.8 MB ανά ώρα.
Με απώλειες και σταθερό bitrate (MP3, AAC, Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (δηλαδή kbps × 7,500)
- 128 kbps: 128 × 7,500 = 960,000 bytes, περίπου 0.96 MB ανά λεπτό, ή 57.6 MB ανά ώρα.
- 64 kbps: 0.48 MB ανά λεπτό· 32 kbps: 0.24 MB ανά λεπτό.
Τα πραγματικά αρχεία είναι λίγο μεγαλύτερα λόγω επικεφαλίδων και τα αρχεία μεταβλητού bitrate κυμαίνονται γύρω από τον μέσο όρο. Υπολογιστές που δείχνουν δυαδικές μονάδες (MiB) εμφανίζουν περίπου 5% μικρότερους αριθμούς.
Τι σημαίνουν οι αριθμοί για όριο μεταφόρτωσης 5GB και 10 ωρών
Η whispertranscribe.ai δέχεται αρχεία έως 5GB και 10 ώρες. Ακολουθούν συνήθεις ρυθμίσεις με την παραδοχή ότι 5GB σημαίνει 5,000,000,000 bytes:
| Ρύθμιση | 1 ώρα | 10 ώρες | Χωρούν 10 ώρες κάτω από 5GB; |
|---|---|---|---|
| WAV, 16 kHz, 16-bit, mono | 115.2 MB | 1.15 GB | Ναι |
| WAV, 44.1 kHz, 16-bit, stereo | 635 MB | 6.35 GB | Όχι: χωρούν περίπου 7.9 ώρες |
| WAV, 48 kHz, 24-bit, stereo | 1.04 GB | 10.37 GB | Όχι: χωρούν περίπου 4.8 ώρες |
| MP3, 128 kbps | 57.6 MB | 576 MB | Ναι |
| Opus, 32 kbps | 14.4 MB | 144 MB | Ναι |
Ένα κλασικό αρχείο WAV έχει δικό του όριο: το πεδίο μεγέθους 32-bit το περιορίζει σε περίπου 4 GB και οι μεγαλύτερες εγγραφές χρειάζονται την επέκταση RF64 (Βιβλιοθήκη του Κογκρέσου). Για πολύ μεγάλες εγγραφές χωρίς απώλειες, το FLAC ή ένα WAV 16 kHz mono αποφεύγει και τα δύο προβλήματα.
Τι έχει μεγαλύτερη σημασία από τη μορφή ήχου
Μια καθαρή φωνή κοντά στο μικρόφωνο, αποθηκευμένη ως MP3, συνήθως δίνει καλύτερο αποτέλεσμα από αρχείο χωρίς απώλειες που ηχογραφήθηκε μακριά σε θορυβώδες δωμάτιο. Οι παρακάτω ρυθμίσεις και συνήθειες καθορίζουν τα περισσότερα αποτελέσματα.
Ρυθμός δειγματοληψίας: αρκούν τα 16 kHz;
Ναι, για ομιλία. Η Google συνιστά 16,000 Hz ή υψηλότερα (βέλτιστες πρακτικές)· το σεμινάριό της εξηγεί ότι χαμηλότεροι ρυθμοί αφήνουν ελάχιστες ή καθόλου πληροφορίες πάνω από 8 kHz. Ο ανοιχτός κώδικας Whisper της OpenAI μετατρέπει κάθε είσοδο σε 16,000 Hz mono πριν την επεξεργασία από το μοντέλο (whisper/audio.py). Η εγγραφή στα 44.1 ή 48 kHz είναι επίσης κατάλληλη, αλλά παράγει μεγαλύτερο αρχείο.
Η αύξηση του ρυθμού αργότερα δεν βοηθά: η Google σημειώνει ότι αρχείο 8 kHz που μετατρέπεται σε 44.1 kHz εξακολουθεί να περιέχει εύρος συχνοτήτων μόνο περίπου 4 kHz. Μεταφορτώστε τηλεφωνικό ήχο, συνήθως 8,000 Hz, στον αρχικό του ρυθμό.
Βάθος bit: 16-bit ή 24-bit;
Η Google συνιστά 16 bit ή περισσότερα και αναφέρει ότι η μετατροπή ήχου 8-bit σε 16-bit δεν προσφέρει κάτι, επειδή το δυναμικό εύρος καθορίστηκε κατά την εγγραφή. Η διατήρηση 24-bit από τη συσκευή είναι ασφαλής· η μετατροπή 16-bit σε 24-bit δεν προσθέτει πληροφορίες.
Bitrate συμπιεσμένων αρχείων
Κανένα πρότυπο δεν καθορίζει bitrate που εγγυάται καλή απομαγνητοφώνηση. Η Google καθοδηγεί με βάση τον τύπο codec: οι codec με απώλειες μπορεί να μειώσουν την ακρίβεια και ο θόρυβος ή η ηχώ επιβαρύνουν περισσότερο όταν υπάρχει συμπίεση με απώλειες. Αν πρέπει να συμπιέσετε, κάντε το μία φορά σε μέτρια ρύθμιση και αποφύγετε αλυσίδες όπως WAV σε MP3 σε OGG.
Απόσταση μικροφώνου, θόρυβος και στάθμες
Σύμφωνα με τις συμβουλές προεπεξεργασίας της Google:
- Τοποθετήστε το μικρόφωνο όσο εύλογα πιο κοντά στον ομιλητή, ιδίως με θόρυβο στο παρασκήνιο.
- Αποφύγετε το clipping. Οι παραμορφωμένες κορυφές δεν διορθώνονται αργότερα.
- Απενεργοποιήστε τον αυτόματο έλεγχο απολαβής και τη μείωση θορύβου αν η εφαρμογή το επιτρέπει. Η Google αναφέρει ότι η επεξεργασία μείωσης θορύβου πριν από την αναγνώριση συνήθως μειώνει την ακρίβεια.
Mono ή stereo;
Για ένα κοινό μικρόφωνο αρκεί το mono. Το Whisper ούτως ή άλλως συγχωνεύει stereo σε mono, οπότε η ίδια φωνή και στις δύο πλευρές απλώς διπλασιάζει το μέγεθος. Διατηρήστε stereo όταν κάθε πλευρά περιέχει διαφορετικό άτομο, όπως σε πολλά εργαλεία εγγραφής κλήσεων ή με ένα μικρόφωνο πέτου ανά κανάλι. Τότε η Google συμβουλεύει να στείλετε κάθε κανάλι ξεχωριστά και μια ήδη μικτή εγγραφή όπως είναι.
Πολυκάναλες εγγραφές
Τα εργαλεία podcast και απομακρυσμένων συνεντεύξεων συχνά καταγράφουν κάθε άτομο σε ξεχωριστό κανάλι. Εξαγάγετε είτε ένα μικτό κομμάτι και ενεργοποιήστε ετικέτες ομιλητών (απλούστερο), είτε απομαγνητοφωνήστε κάθε κανάλι ξεχωριστά και συγχωνεύστε τα κείμενα με βάση τις χρονικές σημάνσεις (καθαρότερος ήχος, αλλά απαιτεί χειροκίνητη συγχώνευση).
Προτεινόμενη μορφή και ρυθμίσεις ανά περίπτωση
Η περίπτωση «έχω ήδη αρχείο» είναι συνηθέστερη και η απάντηση συνήθως είναι «μεταφορτώστε το».
| Περίπτωση | Εγγραφή ως (αν επιλέγετε) | Αν έχετε ήδη | Πριν τη μεταφόρτωση | Προσοχή σε |
|---|---|---|---|---|
| Συνέντευξη διά ζώσης | WAV ή FLAC, mono ανά μικρόφωνο, 44.1 ή 48 kHz | M4A ή MP3 από τηλέφωνο | Σημειώστε ονόματα και όρους | Ο καλεσμένος ακούγεται χαμηλότερα από τον συνεντευκτή |
| Απομακρυσμένη συνέντευξη ή podcast, ανά κανάλι | Ξεχωριστό κανάλι κάθε ομιλητή, χωρίς απώλειες | Ξεχωριστά WAV και μικτό MP3 | Επιλέξτε μικτό ή ανά κανάλι | Επικάλυψη ομιλίας στη μίξη |
| Εγγραφή σύσκεψης (Zoom, Teams, Meet) | Επιλογή ήχου της πλατφόρμας, αν υπάρχει | MP4 ή M4A | Εξαγάγετε ήχο μόνο αν το βίντεο είναι τεράστιο | Ένα μικρόφωνο laptop για ολόκληρο δωμάτιο |
| Φωνητικό σημείωμα τηλεφώνου | Προεπιλογή εφαρμογής | .m4a | Εξαγάγετε το πρωτότυπο | Τηλέφωνο στην τσέπη κατά την εγγραφή |
| Δημοσιευμένο επεισόδιο podcast | Δεν εφαρμόζεται | Το δημοσιευμένο MP3 | Χρησιμοποιήστε WAV ή FLAC πριν τη δημοσίευση αν υπάρχει | Μουσική εισαγωγή· ορίστε γλώσσα |
| Διάλεξη ή σεμινάριο | Mono, 16-bit, μικρόφωνο κοντά στον ομιλητή | Μεγάλο MP3 ή βίντεο | Ελέγξτε τη διάρκεια έναντι των 10 ωρών | Ερωτήσεις κοινού μακριά από το μικρόφωνο |
| Εγγραφή τηλεφωνικής κλήσης | Προεπιλογή συσκευής | AMR, M4A ή WAV 8 kHz | Διατηρήστε τον αρχικό ρυθμό | Κανόνες συναίνεσης· μην αυξάνετε τον ρυθμό |
Η εγγραφή κλήσεων δημιουργεί ζητήματα συναίνεσης. Οι οδηγοί μας για εγγραφή τηλεφωνικής κλήσης και νόμους εγγραφής κλήσεων ανά πολιτεία τα καλύπτουν. Λάβετε την απαιτούμενη συναίνεση πριν από την εγγραφή. Αυτό δεν είναι νομική συμβουλή.
Πώς να μετατρέψετε ήχο για απομαγνητοφώνηση με FFmpeg
Μετατρέψτε μόνο για συγκεκριμένο λόγο: το αρχείο είναι πολύ μεγάλο, θέλετε μικρότερη μεταφόρτωση από βίντεο, κάποιο εργαλείο απορρίπτει τον codec ή θέλετε ξεχωριστά αρχεία ανά ομιλητή. Η μετατροπή για βελτίωση «ποιότητας» δεν λειτουργεί.
Δοκιμάσαμε τις πέντε μετατροπές με FFmpeg 4.3 σε macOS, ελέγχοντας την ολοκλήρωση και τις βασικές ιδιότητες εξόδου με ffprobe. Οι επιλογές εξηγούνται στην τεκμηρίωση FFmpeg.
1. Οποιοδήποτε αρχείο σε 16 kHz mono 16-bit WAV (το σχήμα στο οποίο μετατρέπει εσωτερικά το Whisper):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. Οποιοδήποτε αρχείο σε 16 kHz mono FLAC (χωρίς απώλειες και συνήθως μικρότερο από WAV):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. Βίντεο σε μικρό mono MP3 (προσθέτει ένα βήμα με απώλειες· χρησιμοποιήστε το όταν το μέγεθος προέχει):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. Εξαγωγή ήχου από βίντεο χωρίς επανακωδικοποίηση (λειτουργεί όταν ο ήχος είναι AAC, συνηθισμένο σε MP4):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. Διαχωρισμός δικαναλικής εγγραφής σε ένα αρχείο ανά ομιλητή (με το φίλτρο channelsplit):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| Επιλογή | Λειτουργία |
|---|---|
-ac 1 |
Συνδυάζει τον ήχο σε ένα κανάλι |
-ar 16000 |
Ορίζει τον ρυθμό δειγματοληψίας εξόδου στα 16,000 Hz |
-c:a pcm_s16le |
Γράφει ασυμπίεστο PCM 16-bit (τυπικό WAV) |
-vn |
Αφαιρεί τη ροή βίντεο |
-c:a copy |
Αντιγράφει τον ήχο ως έχει, χωρίς αλλαγή ποιότητας |
-b:a 64k |
Ορίζει το bitrate με απώλειες |
Προτιμήστε την εντολή 4 από την 3 όταν ο ήχος βίντεο είναι ήδη AAC, επειδή διατηρεί την αρχική ποιότητα. Για τηλεφωνικό ήχο 8 kHz παραλείψτε το -ar 16000, ώστε να μην αυξήσετε τον ρυθμό δειγματοληψίας.
Χωρίς γραμμή εντολών; Ο μετατροπέας ήχου και βίντεο σε MP3 της whispertranscribe.ai εξάγει το κομμάτι ήχου από MP4, MOV, MKV, WEBM ή AVI στον browser. Η σελίδα αναφέρει ότι χρησιμοποιεί WebAssembly και τα αρχεία επεξεργάζονται στον browser χωρίς μεταφόρτωση.
Μεγάλα αρχεία: παραμονή κάτω από 5GB και 10 ώρες
- Πολύ μεγάλο αλλά κάτω από 10 ώρες: συνήθως βίντεο ή WAV υψηλής ανάλυσης. Εξαγάγετε τον ήχο (εντολή 4 ή μετατροπέας browser) ή μετατρέψτε το WAV σε FLAC (εντολή 2).
- Πάνω από 10 ώρες: η σελίδα μεταφόρτωσης εμφανίζει «Προς το παρόν μπορούμε να επεξεργαστούμε μόνο αρχεία έως 10 ώρες. Μειώστε το αρχείο σε 10 ώρες ή λιγότερο και δοκιμάστε ξανά». Χωρίστε το. Η εντολή διαχωρισμού χωρίς επανακωδικοποίηση στον οδηγό MP3 σε κείμενο λειτουργεί και σε WAV· την ελέγξαμε σε δοκιμαστικό WAV. Ελέγξτε τα σημεία ένωσης όταν συγχωνεύετε το κείμενο.
- Αργή σύνδεση: μία ώρα MP3 64 kbps είναι περίπου 28.8 MB, έναντι 635 MB για stereo WAV ποιότητας CD. Διατηρήστε το πρωτότυπο χωρίς απώλειες στο αρχείο σας.
Επίλυση προβλημάτων μορφής ήχου
| Πρόβλημα | Πιθανή αιτία | Τι να δοκιμάσετε |
|---|---|---|
| «Δεν εντοπίστηκε ήχος. Το αρχείο μπορεί να είναι κατεστραμμένο. Ελέγξτε το και δοκιμάστε ξανά.» (εμφανίζεται στις σελίδες μεταφόρτωσης) | Κατεστραμμένο αρχείο, βίντεο που εξήχθη χωρίς ήχο ή κενή ροή ήχου | Αναπαράγετέ το τοπικά· εκτελέστε τον παραπάνω έλεγχο ήχου ffprobe (χωρίς έξοδο σημαίνει χωρίς ροή ήχου)· εξαγάγετε ξανά από την αρχική εφαρμογή |
| Η μεταφόρτωση απορρίφθηκε λόγω διάρκειας | Αρχείο πάνω από 10 ώρες | Χωρίστε σε μέρη έως 10 ώρες |
| Πολύ μεγάλο αρχείο | Βίντεο ή πολυκάναλο WAV υψηλής ανάλυσης | Εξαγάγετε ήχο ή μετατρέψτε WAV σε FLAC |
| WAV πάνω από 4 GB δεν ανοίγει ή δεν μεταφορτώνεται | Όριο κλασικού WAV | Εξαγάγετε ξανά ως RF64 ή FLAC ή χωρίστε το |
| Ένας ομιλητής ακούγεται πολύ πιο σιγά | Κάθε άτομο είναι σε ξεχωριστό κανάλι με διαφορετική στάθμη | Χωρίστε τα κανάλια (εντολή 5) και απομαγνητοφωνήστε κάθε αρχείο |
| Παραμορφωμένες, τριζάτες κορυφές | Clipping κατά την εγγραφή | Δεν διορθώνεται· μειώστε την απολαβή εισόδου την επόμενη φορά |
| Ο τηλεφωνικός ήχος παραμένει κακός μετά τη μετατροπή σε 48 kHz | Η αύξηση δειγματοληψίας δεν προσθέτει πληροφορίες | Μεταφορτώστε το πρωτότυπο· δοκιμάστε επιλογή γλώσσας “Noise / Low-Quality Audio/Video” όπου προσφέρεται |
Πού ταιριάζει η whispertranscribe.ai
Η whispertranscribe.ai είναι εργαλείο απομαγνητοφώνησης με μοντέλα Whisper της OpenAI που λειτουργεί σε browser (χωρίς εφαρμογή, API ή ανθρώπινη επιμέλεια). Ο δωρεάν μετατροπέας ήχου σε κείμενο και άλλες σελίδες μεταφόρτωσης αναφέρουν: MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG και MPEG.
- Όρια: αρχεία έως 5GB και 10 ώρες.
- Γλώσσες: 130+ γλώσσες, με επιλογές “Noise / Low-Quality Audio/Video” για πολλές.
- Ακρίβεια: έως 99% σε καθαρό ήχο. Θόρυβος, απόσταση, προφορές και επικάλυψη τη μειώνουν.
- Ομιλητές: ενεργοποιήστε το Speaker Detection πριν από την απομαγνητοφώνηση.
- Εξαγωγές: DOCX, PDF, TXT, CSV, SRT και VTT.
- Απόρρητο: η πολιτική απορρήτου αναφέρει ότι τα αρχικά μεταφορτωμένα αρχεία διαγράφονται μετά την επεξεργασία και τα εξαγόμενα MP3 διατηρούνται από προεπιλογή για 30 ημέρες.
Για συγκεκριμένες εγγραφές δείτε τις σελίδες αρχείων MP3, φωνητικών σημειωμάτων, τηλεφωνικών κλήσεων, συνεντεύξεων και διαλέξεων και σεμιναρίων. Δοκιμάστε ένα αρχείο στη δωρεάν σελίδα χωρίς λογαριασμό (τα όρια εμφανίζονται εκεί). Τα πληρωμένα πλάνα ξεκινούν από $9.99/μήνα με ετήσια χρέωση (τιμές). Τα υπόλοιπα βρίσκονται στη σελίδα δυνατοτήτων.
Συχνές ερωτήσεις
Ποια είναι η καλύτερη μορφή ήχου για απομαγνητοφώνηση;
Το WAV ή FLAC είναι η καλύτερη μορφή όταν ελέγχετε την εγγραφή, ιδανικά mono στα 16 kHz ή υψηλότερα και βάθος 16-bit. Αν έχετε ήδη συμπιεσμένο MP3, M4A ή Opus, μεταφορτώστε το όπως είναι αντί να το μετατρέψετε. Η ποιότητα εγγραφής, δηλαδή μικρόφωνο κοντά, χαμηλός θόρυβος και απουσία clipping, συνήθως έχει μεγαλύτερη σημασία από τη μορφή.
Είναι το WAV καλύτερο από το MP3 για απομαγνητοφώνηση;
Ένα WAV που εγγράφηκε από την πηγή διατηρεί περισσότερες λεπτομέρειες από ένα MP3 και η Google σημειώνει ότι codec με απώλειες όπως το MP3 μπορεί να μειώσουν την ακρίβεια αναγνώρισης. Η διαφορά είναι συχνά μικρή σε καθαρή ομιλία και μεγαλύτερη σε θορυβώδεις εγγραφές. Ένα WAV που δημιουργήθηκε από υπάρχον MP3 δεν είναι καλύτερο από το MP3, επειδή οι λεπτομέρειες έχουν ήδη χαθεί. Εγγράψτε WAV ή FLAC όταν μπορείτε και μεταφορτώστε MP3 όπως είναι.
Ποιον ρυθμό δειγματοληψίας να χρησιμοποιήσω;
Χρησιμοποιήστε 16 kHz ή υψηλότερα. Η Google συνιστά τουλάχιστον 16,000 Hz για αναγνώριση ομιλίας και το Whisper της OpenAI μετατρέπει όλο τον ήχο σε 16 kHz mono πριν από την επεξεργασία. Η εγγραφή στα 44.1 ή 48 kHz είναι καλή και συνηθισμένη. Μην αυξάνετε χαμηλότερο ρυθμό αργότερα: τηλεφωνική εγγραφή 8 kHz πρέπει να μεταφορτώνεται στα 8 kHz, επειδή η αύξηση προσθέτει μέγεθος αλλά όχι πληροφορίες ομιλίας.
Να εγγράψω mono ή stereo;
Εγγράψτε mono όταν όλοι μοιράζονται ένα μικρόφωνο. Το Whisper συγχωνεύει stereo σε mono, οπότε ένα stereo αντίγραφο της ίδιας φωνής απλώς διπλασιάζει το μέγεθος. Διατηρήστε stereo ή πολλαπλά κανάλια όταν κάθε ομιλητής έχει ξεχωριστό κανάλι, όπως σε συσκευή καταγραφής κλήσεων ή με ένα μικρόφωνο ανά καλεσμένο. Η Google συμβουλεύει ξεχωριστή απομαγνητοφώνηση καναλιών, τα οποία μπορείτε να διαχωρίσετε με FFmpeg.
Πόσο μεγάλο είναι ένα WAV ανά λεπτό;
Εξαρτάται από τις ρυθμίσεις: πολλαπλασιάστε τον ρυθμό δειγματοληψίας με bytes ανά δείγμα και κανάλια για bytes ανά δευτερόλεπτο. WAV 16 kHz, 16-bit mono είναι 16,000 × 2 × 1 = 32,000 bytes ανά δευτερόλεπτο, περίπου 1.92 MB ανά λεπτό ή 115.2 MB ανά ώρα. Stereo 44.1 kHz, 16-bit ποιότητας CD είναι περίπου 10.58 MB ανά λεπτό ή 635 MB ανά ώρα.
Μπορώ να μεταφορτώσω βίντεο αντί να εξαγάγω ήχο;
Ναι. Τα εργαλεία απομαγνητοφώνησης διαβάζουν το κομμάτι ήχου και αγνοούν την εικόνα, οπότε MP4, MOV, MKV ή WEBM δίνει το ίδιο κείμενο με τον εξαγόμενο ήχο. Το βίντεο απλώς μεγαλώνει τη μεταφόρτωση. Εξαγάγετε ήχο όταν το αρχείο πλησιάζει το όριο μεγέθους ή η σύνδεση είναι αργή, για παράδειγμα με το -vn -c:a copy του FFmpeg, που διατηρεί την αρχική ποιότητα ήχου. Στη whispertranscribe.ai μπορείτε να μεταφορτώσετε το βίντεο ως έχει και να εξαγάγετε DOCX, TXT, SRT ή VTT.
Έχετε έτοιμη εγγραφή; Μεταφορτώστε την όπως είναι στη whispertranscribe.ai μέσω του δωρεάν μετατροπέα ήχου σε κείμενο: επιλέξτε μία από 130+ γλώσσες, ενεργοποιήστε το Speaker Detection και κατεβάστε DOCX, TXT, SRT ή VTT. Αρχεία έως 5GB και 10 ώρες.
Αναφορές
- Google Cloud: Βέλτιστες πρακτικές Speech-to-Text (παροχή δεδομένων ομιλίας)
- Google Cloud: Βελτιστοποίηση αρχείων ήχου για Speech-to-Text
- OpenAI: whisper/audio.py στο αποθετήριο Whisper του GitHub
- FFmpeg: Τεκμηρίωση γραμμής εντολών ffmpeg και φίλτρο channelsplit
- Library of Congress: Μορφή αρχείου ήχου WAVE (fdd000001)
- Library of Congress: AMR, Adaptive Multi-Rate Speech Codec (fdd000254)
