whispertranscribe.ai toimetus · Viimati uuendatud: november 2026 · Lugemisaeg 12 minutit
Parim helivorming transkribeerimiseks on kadudeta WAV (16-bitine PCM) või FLAC, salvestatud monos sagedusel 16 kHz või rohkem, kui saate salvestust kontrollida. Kui teil on juba MP3-, M4A- või videofail, laadige see üles muutmata kujul. Pakitud faili teisendamine ei taasta kadunud üksikasju ning mikrofoni kaugus ja müra mõjutavad tulemust rohkem.
Allpool: valikud enne salvestamist, saadud faili käsitlemine, failisuuruse valemid, sätted olukorra järgi, FFmpegi käsud ja tõrkeotsingu tabel.
Avalikustamine. Selle juhendi avaldab whispertranscribe.ai. Tehnilised väited viitavad Google Cloudile, OpenAI Whisperi koodile, FFmpegile või Library of Congressile. Me ei teinud artikli jaoks täpsusteste ega luba, et üks vorming suurendab täpsust kindla protsendi võrra.
Kiirvastus: parim helivorming transkribeerimiseks
Valige tööetapi, mitte üheainsa võitja järgi.
| Olukord | Parim valik | Miks |
|---|---|---|
| Seadistate salvestit või rakendust | WAV (16-bitine) või FLAC, mono, 16 kHz või rohkem | Google soovitab kõnetuvastuseks kadudeta FLACi või LINEAR16 |
| Vajate salvestamisel väikeseid faile | Kõnele sobiv kadudega kodek mõõduka bitikiirusega | Google'i eelistatud kadudega kõnekoodekid järjekorras: AMR-WB, Ogg Opus, Speex |
| Teil on juba MP3-, M4A- või Opus-fail | Laadige üles originaal | Uuesti kodeerimine ei taasta midagi |
| Teil on video (MP4, MOV, MKV) | Laadige üles; väga suure faili puhul eraldage heli | Kasutatakse ainult helirada |
| Kõnelejad salvestati eraldi radadele | Säilitage rajad | Google soovitab saata kanalid eraldi, kui igal inimesel on oma kanal |
Millal vormingu pärast mitte muretseda: telefoni häälmemo, avaldatud taskuhäälingu osa või Zoomi või Teamsi salvestis. Laadige see üles, valige õige kõnekeel ja kontrollige pigem nimesid.
Vorming, kodek ja konteiner: mida faililaiend peidab
Laiend tähistab konteinerit, mitte alati pakkimist. Google'i heli optimeerimise juhend selgitab, et kodekid ja failivormingud pole sama asi. Kolm levinud üllatust:
- WAV sisaldab tavaliselt pakkimata lineaarset PCMi, kuid võib sisaldada ka muid kodeeringuid (Library of Congress, WAVE).
- M4A võib sisaldada kadudega AACi või kadudeta Apple Losslessi (ALAC).
- OGG on konteiner, mis sisaldab tavaliselt Opust või Vorbist, mõlemad kadudega.
Faili sisu nägemiseks küsige FFmpegi ffprobe abil ainult helivoogusid:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
Käsk väljastab iga helivoo kohta ühe rea. Kui väljund puudub, ei pruugi failis helirada olla; nii saab seda enne üleslaadimist kiiresti kontrollida.
Helivormingute võrdlus transkribeerimiseks
Kõiki allolevaid vorminguid saab transkribeerida. Erinevad säilinud üksikasjad ja failisuurus. Suurused põhinevad järgmise jaotise valemitel (1 MB = 1,000,000 baiti).
| Vorming | Kadudega või kadudeta | Tavaline päritolu | Suurus minutis (näidissäte) | Mõju transkribeerimisele | Mida teha |
|---|---|---|---|---|---|
| WAV (PCM) | Pakkimata | Välisalvestid, heliredaktorid | 1.92 MB sagedusel 16 kHz, 16-bitine, mono; 10.58 MB sagedusel 44.1 kHz, 16-bitine, stereo | Säilitab kõik, mida mikrofon püüdis | Parim originaal; pikkadel salvestustel jälgige suurust |
| FLAC | Kadudeta (pakitud) | Arhiivid, redaktori ekspordid | Sama WAVi omast väiksem; kokkuhoid varieerub | Sama heli mis WAVis | Ruumi säästmiseks kasutage WAVi asemel |
| AIFF / ALAC / CAF | AIFF tavaliselt pakkimata; ALAC kadudeta; CAF võib sisaldada mõlemat | Maci ja iPhone'i rakendused | AIFF: samade sätetega nagu WAV | Sõltub seesmisest kodekist | Laadige üles muutmata |
| MP3 | Kadudega | Taskuhäälingud, allalaadimised | 0.96 MB kiirusel 128 kbps | Google: kadudega kodekid võivad täpsust vähendada | Laadige üles muutmata |
| M4A / AAC | Tavaliselt kadudega (AAC) | Häälmemod, video helirajad | 0.48 MB kiirusel 64 kbps | Sama hoiatus mis MP3 puhul | Laadige üles originaal |
| OGG / Opus | Kadudega | Sõnumite häälmemod, veebikõned | 0.24 MB kiirusel 32 kbps | Opus on Google'i eelistatud kadudega kõnekoodekite seas | Laadige üles muutmata |
| AMR (kitsariba) | Kadudega, ainult kõne | Vanemad telefonid ja kõnesalvestid | Umbes 0.09 MB kiirusel 12.2 kbps | Edastab vaid 200 kuni 3,400 Hz (Library of Congress, AMR) | Laadige üles muutmata; ärge suurendage diskreetimissagedust |
Videofailide puhul on sama: tööriist loeb helirada, seega lisandub vaid üleslaaditav maht.
Kui suur on helifail? Valemid
Kaks valemit aitavad hinnata failisuurust enne salvestamist või üleslaadimist.
Pakkimata PCM (WAV, AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels
Näited:
- 16 kHz, 16-bitine, mono: 16,000 × 2 × 1 = 32,000 baiti sekundis. × 60 = 1,920,000 baiti, umbes 1.92 MB minutis ehk 115.2 MB tunnis.
- 44.1 kHz, 16-bitine, stereo: 44,100 × 2 × 2 = 176,400 baiti sekundis, umbes 10.58 MB minutis ehk 635 MB tunnis.
- 48 kHz, 24-bitine, stereo: 48,000 × 3 × 2 = 288,000 baiti sekundis ehk 1,036.8 MB tunnis.
Kadudega püsiva bitikiirusega fail (MP3, AAC, Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (ehk kbps × 7,500)
- 128 kbps: 128 × 7,500 = 960,000 baiti, umbes 0.96 MB minutis ehk 57.6 MB tunnis.
- 64 kbps: 0.48 MB minutis; 32 kbps: 0.24 MB minutis.
Tegelikud failid on päiste tõttu veidi suuremad ja muutuva bitikiirusega failid kõiguvad keskmise ümber. Binaarühikuid (MiB) kuvavad arvutid näitavad umbes 5% väiksemaid arve.
Mida tähendavad need arvud 5GB ja 10 tunni üleslaadimispiirangu korral?
whispertranscribe.ai võtab vastu kuni 5GB ja 10 tunni pikkuseid faile. Levinud sätted mahuvad järgmiselt, eeldades, et 5GB tähendab 5,000,000,000 baiti:
| Säte | 1 tund | 10 tundi | Kas 10 tundi mahub 5GB sisse? |
|---|---|---|---|
| WAV, 16 kHz, 16-bitine, mono | 115.2 MB | 1.15 GB | Jah |
| WAV, 44.1 kHz, 16-bitine, stereo | 635 MB | 6.35 GB | Ei: mahub umbes 7.9 tundi |
| WAV, 48 kHz, 24-bitine, stereo | 1.04 GB | 10.37 GB | Ei: mahub umbes 4.8 tundi |
| MP3, 128 kbps | 57.6 MB | 576 MB | Jah |
| Opus, 32 kbps | 14.4 MB | 144 MB | Jah |
Ka klassikalisel WAVil on oma lagi: 32-bitine suuruseväli piirab selle umbes 4 GB-ni ja pikemad salvestised vajavad RF64 laiendust (Library of Congress). Väga pikkade kadudeta salvestiste puhul väldib FLAC või 16 kHz mono WAV mõlemat probleemi.
Mis on helivormingust tähtsam?
Mikrofoni lähedal selge hääl MP3-na on tavaliselt parem kui mürase ruumi teisest otsast tehtud kadudeta salvestis. Enamiku tulemustest määravad järgmised sätted ja harjumused.
Diskreetimissagedus: kas 16 kHz piisab?
Jah, kõne jaoks. Google soovitab 16,000 Hz või rohkem (parimad tavad); juhend selgitab, et madalamate sageduste korral jääb üle 8 kHz vähe või üldse mitte teavet. OpenAI avatud lähtekoodiga Whisper teisendab kõik sisendid enne mudelit 16,000 Hz monosignaaliks (whisper/audio.py). Salvestamine sagedusel 44.1 või 48 kHz on sobiv, kuid fail suurem.
Sageduse hilisem suurendamine ei aita: Google märgib, et 8 kHz fail, mis on teisendatud 44.1 kHz-ni, sisaldab endiselt vaid umbes 4 kHz sagedusvahemikku. Laadige telefonikõne heli, sageli 8,000 Hz, üles algsel sagedusel.
Bitisügavus: 16 või 24 bitti?
Google soovitab vähemalt 16 bitti ning ütleb, et 8-bitise heli teisendamine 16-bitiseks ei anna midagi, sest dünaamiline ulatus määrati salvestamisel. Salvesti 24-bitise faili säilitamine ei kahjusta; 16 biti teisendamine 24 bitiks ei lisa midagi.
Pakitud failide bitikiirus
Ükski standard ei määra bitikiirust, mis tagab hea transkriptsiooni. Google'i juhised käsitlevad kodeki tüüpi: kadudega kodekid võivad täpsust vähendada ning müra või kaja kahjustavad kadudega pakkimisel rohkem. Kui peate pakkima, tehke seda üks kord mõõduka sättega ja vältige ahelaid nagu WAVist MP3ks ja OGGks.
Mikrofoni kaugus, müra ja helitase
Google'i eeltöötlussoovitused:
- Asetage mikrofon kõnelejale võimalikult lähedale, eriti taustamüra korral.
- Vältige ülekoormust. Moonutatud tippe ei saa hiljem parandada.
- Kui rakendus lubab, lülitage automaatne võimenduse juhtimine ja müravähendus välja. Google ütleb, et müravähendus enne tuvastust vähendab tavaliselt täpsust.
Mono või stereo?
Ühe ühise mikrofoni korral piisab monost. Whisper segab stereo niikuinii monoks, seega sama hääl mõlemal poolel ainult kahekordistab mahu. Stereo tasub säilitada, kui mõlemal poolel on eri inimene, nagu paljudes kõnesalvestites või ühe rinnamikrofoni korral kanali kohta. Google soovitab siis kanalid eraldi saata ja segatud salvestise jätta muutmata.
Mitmerajalised salvestised
Taskuhäälingu- ja kaugintervjuude tööriistad salvestavad iga inimese sageli eraldi rajale. Eksportige üks segatud rada ja lülitage kõnelejate märgistamine sisse (lihtsaim) või transkribeerige iga rada eraldi ja ühendage tekstid ajatemplite järgi (puhtaim heli, kuid ühendate ise).
Soovitatavad vormingud ja sätted olukorra järgi
Sagedasem on olukord „fail on juba olemas“ ja vastus on tavaliselt „laadige see üles“.
| Olukord | Salvestage (kui valite) | Kui teil on juba | Enne üleslaadimist | Millele tähelepanu pöörata |
|---|---|---|---|---|
| Silmast silma intervjuu | WAV või FLAC, mono mikrofoni kohta, 44.1 või 48 kHz | Telefoni M4A või MP3 | Märkige nimed ja terminid | Külaline on intervjueerijast vaiksem |
| Kaugintervjuu või taskuhääling, eraldi rajad | Iga kõneleja oma kadudeta rada | Eraldi WAVid ja segatud MP3 | Valige segu või eraldi rajad | Häälte kattumine segus |
| Koosoleku salvestis (Zoom, Teams, Meet) | Platvormi helivalik, kui saadaval | MP4 või M4A | Eraldage heli ainult väga suure video korral | Üks sülearvuti mikrofon terve ruumi jaoks |
| Telefoni häälmemo | Rakenduse vaikevalik | .m4a | Eksportige originaal | Telefon salvestamise ajal taskus |
| Avaldatud taskuhäälingu osa | Ei kohaldu | Avaldatud MP3 | Kui teil on avaldamiseelne WAV või FLAC, kasutage seda | Muusikalised sissejuhatused; määrake keel |
| Loeng või seminar | Mono, 16-bitine, mikrofon lektori lähedal | Pikk MP3 või video | Kontrollige pikkust 10 tunni piirangu suhtes | Publiku küsimused mikrofonist kaugel |
| Telefonikõne salvestis | Salvesti vaikevalik | AMR, M4A või 8 kHz WAV | Säilitage algne diskreetimissagedus | Nõusolekureeglid; ärge suurendage sagedust |
Enne kõne salvestamist hankige vajalik nõusolek. Meie juhendid telefonikõne salvestamise ja kõnede salvestamise seaduste kohta osariikides selgitavad seda lähemalt. See ei ole õigusnõu.
Kuidas teisendada heli transkribeerimiseks FFmpegiga
Teisendage ainult põhjusega: fail on liiga suur, soovite videost väiksemat üleslaaditavat faili, tööriist ei aktsepteeri kodekit või soovite kõnelejad eri failidesse. Teisendamine „kvaliteedi“ pärast ei toimi.
Väljundi kodekit, diskreetimissagedust ja kanaleid saab kontrollida ffprobe abil. Valikuid selgitab FFmpegi dokumentatsioon.
1. Mis tahes fail 16 kHz mono 16-bitisesse WAVi (sama kuju, millesse Whisper sisemiselt teisendab):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. Mis tahes fail 16 kHz mono FLACiks (kadudeta ja enamasti WAVist väiksem):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. Video väikeseks mono MP3ks (lisab ühe kadudega etapi; kasutage, kui suurus on tähtsaim):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. Eraldage heli videost ilma uuesti kodeerimata (toimib AAC-heli korral, mis on MP4 failides tavaline):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. Jagage kahekanaliline salvestis igale kõnelejale eraldi failiks (kasutab channelsplit-filtrit):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| Valik | Mida teeb |
|---|---|
-ac 1 |
Segab heli üheks kanaliks |
-ar 16000 |
Määrab väljundi diskreetimissageduseks 16,000 Hz |
-c:a pcm_s16le |
Kirjutab 16-bitise pakkimata PCMi (standardne WAV) |
-vn |
Jätab videovoo välja |
-c:a copy |
Kopeerib heli muutmata, kvaliteeti mõjutamata |
-b:a 64k |
Määrab kadudega bitikiiruse |
Kui video heli on juba AAC, eelistage käsku 4 käsule 3, sest see säilitab algse kvaliteedi. 8 kHz telefoniheli korral jätke -ar 16000 välja, et mitte sagedust suurendada.
Ilma käsureata? whispertranscribe.ai heli ja video MP3ks teisendaja eraldab MP4, MOV, MKV, WEBM või AVI heliraja brauseris. Lehe järgi kasutatakse WebAssemblyt ja faile töödeldakse brauseris, mitte ei laadita üles.
Suured failid: kuidas jääda alla 5GB ja 10 tunni
- Liiga suur, kuid alla 10 tunni: tavaliselt video või kõrge eraldusvõimega WAV. Eraldage heli (käsk 4 või brauseri teisendaja) või teisendage WAV FLACiks (käsk 2).
- Pikem kui 10 tundi: üleslaadimislehel kuvatakse „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.“ Jagage see. Meie MP3 tekstiks juhendi jagamiskäsk ilma uuesti kodeerimiseta töötab ka WAViga. Teksti ühendamisel kontrollige liitekohti.
- Aeglane ühendus: üks tund 64 kbps MP3 on umbes 28.8 MB, CD-kvaliteediga stereo WAV aga 635 MB. Hoidke kadudeta originaal arhiivis.
Helivormingu probleemide lahendamine
| Probleem | Tõenäoline põhjus | Mida proovida |
|---|---|---|
| „No audio detected. The file may be corrupted. Please check the file and try again.“ (kuvatakse meie üleslaadimislehtedel) | Rikutud fail, helita eksporditud video või tühi helirada | Esitage kohapeal; käivitage ülaltoodud ffprobe helikontroll (väljundi puudumine tähendab helivoo puudumist); eksportige algsest rakendusest uuesti |
| Üleslaadimine lükatakse pikkuse tõttu tagasi | Fail üle 10 tunni | Jagage kuni 10-tunnisteks osadeks |
| Fail liiga suur | Video või kõrge eraldusvõimega mitmekanaliline WAV | Eraldage heli või teisendage WAV FLACiks |
| Üle 4 GB WAV ei avane ega laadi üles | Klassikalise WAVi suurusepiirang | Eksportige RF64 või FLACina või jagage |
| Üks kõneleja on teisest palju vaiksem | Igaüks on eraldi kanalil, salvestatud erineva tasemega | Jagage kanalid (käsk 5) ja transkribeerige failid eraldi |
| Moonutatud, praksuvad tipud | Salvestamisel ülekoormus | Ei saa parandada; vähendage järgmisel korral sisendvõimendust |
| Telefoniheli on ka pärast 48 kHz teisendust halb | Sageduse tõstmine ei lisa teavet | Laadige originaal üles; proovige keelevalikut „Noise / Low-Quality Audio/Video“, kui saadaval |
Kus sobib whispertranscribe.ai?
whispertranscribe.ai on OpenAI Whisperi mudelitel põhinev transkribeerimistööriist, mis töötab veebibrauseris (ilma rakenduse, API ja inimtoimetamiseta). Tasuta heli tekstiks teisendaja ja teised üleslaadimislehed nimetavad vorminguid MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG ja MPEG.
- Piirangud: failid kuni 5GB ja 10 tundi.
- Keeled: 130+ keelt, paljudel valikud „Noise / Low-Quality Audio/Video“.
- Täpsus: selge heli korral kuni 99%. Müra, kaugus, aktsendid ja kattuv kõne vähendavad seda.
- Kõnelejad: enne transkribeerimist lülitage Speaker Detection sisse.
- Ekspordid: DOCX, PDF, TXT, CSV, SRT ja VTT.
- Privaatsus: privaatsuspoliitika järgi kustutatakse üleslaaditud originaalid pärast töötlemist ja eraldatud MP3-faile hoitakse vaikimisi 30 päeva.
Konkreetsete salvestiste jaoks vaadake lehti MP3-failidele, häälmemodele, telefonikõnedele, intervjuudele ning loengutele ja seminaridele. Proovige faili tasuta lehel ilma kontota (piirangud on seal näidatud). Tasulised paketid alates $9.99/kuu aastamaksega (hinnad). Kõik muu on funktsioonide lehel.
Korduma kippuvad küsimused
Milline on parim helivorming transkribeerimiseks?
Kui kontrollite salvestamist, on parim WAV või FLAC, ideaalis mono sagedusel 16 kHz või rohkem ja 16-bitise sügavusega. Kui teil on juba pakitud MP3, M4A või Opus, laadige see üles muutmata kujul. Salvestuse kvaliteet ehk lähedal mikrofon, vähe taustamüra ja ülekoormuse puudumine on tavaliselt tähtsam kui nende vormingute valik.
Kas WAV on transkribeerimiseks parem kui MP3?
Allikast WAVina salvestamine säilitab rohkem üksikasju kui MP3 ning Google märgib, et kadudega kodekid nagu MP3 võivad tuvastustäpsust vähendada. Selge kõne korral on vahe sageli väike, mürase salvestise korral suurem. Olemasolevast MP3st tehtud WAV ei ole parem, sest eemaldatud üksikasjad on kadunud. Võimaluse korral salvestage WAVi või FLACi ning laadige MP3 muutmata üles.
Millist diskreetimissagedust transkribeerimiseks kasutada?
Kasutage 16 kHz või rohkem. Google soovitab kõnetuvastuseks vähemalt 16,000 Hz ning OpenAI Whisper teisendab kogu heli enne töötlemist 16 kHz monoks. Salvestamine sagedusel 44.1 või 48 kHz on sobiv ja tavaline. Ärge suurendage madalamat sagedust hiljem: 8 kHz telefonisalvestis laadige üles 8 kHz juures, sest sageduse tõstmine suurendab faili, kuid ei lisa kõneteavet.
Kas salvestada transkribeerimiseks monos või stereos?
Salvestage monos, kui kõik kasutavad üht mikrofoni. Whisper segab stereo niikuinii monoks, nii et sama hääle stereokoopia ainult kahekordistab failisuurust. Säilitage stereo või eraldi rajad, kui iga kõneleja on eri kanalil, näiteks kõnesalvestis või iga külalise oma mikrofon. Google soovitab eraldi kanalid eraldi transkribeerida; FFmpegiga saate need jagada.
Kui suur on WAV-fail minutis?
See sõltub sätetest: baitide saamiseks sekundis korrutage diskreetimissagedus baitide arvuga diskreedi kohta ja kanalite arvuga. 16 kHz, 16-bitine mono WAV on 16,000 × 2 × 1 = 32,000 baiti sekundis, umbes 1.92 MB minutis või 115.2 MB tunnis. CD-kvaliteediga 44.1 kHz, 16-bitine stereo on umbes 10.58 MB minutis või 635 MB tunnis.
Kas võin heli eraldamise asemel videofaili üles laadida?
Jah. Transkribeerimistööriistad loevad helirada ja eiravad pilti, seega annab MP4, MOV, MKV või WEBM sama transkriptsiooni mis eraldatud heli. Video suurendab ainult üleslaadimise mahtu. Eraldage heli, kui fail on suurusepiirangu lähedal või ühendus aeglane, näiteks FFmpegi -vn -c:a copy abil, mis säilitab algse helikvaliteedi. whispertranscribe.ai-s saate video muutmata üles laadida ja eksportida DOCX, TXT, SRT või VTT.
Kas salvestis on valmis? Laadige see muutmata kujul üles whispertranscribe.ai tasuta heli tekstiks teisendajasse: valige üks 130+ keelest, lülitage Speaker Detection sisse ning laadige alla DOCX, TXT, SRT või VTT. Failid kuni 5GB ja 10 tundi.
Allikad
- Google Cloud: Speech-to-Texti parimad tavad kõneandmete esitamisel
- Google Cloud: Helifailide optimeerimine Speech-to-Texti jaoks
- OpenAI: whisper/audio.py Whisperi GitHubi hoidlas
- FFmpeg: ffmpegi käsurea dokumentatsioon ja channelsplit-filter
- Library of Congress: WAVE Audio File Format (fdd000001)
- Library of Congress: AMR, Adaptive Multi-Rate Speech Codec (fdd000254)
