نوشته تحریریه whispertranscribe.ai · آخرین بهروزرسانی: نوامبر 2026 · زمان مطالعه: 12 دقیقه
اگر تنظیمات ضبط در اختیار شماست، بهترین قالب صوتی برای رونویسی، صدای بدون اتلاف WAV با PCM 16بیتی یا FLAC است که بهصورت مونو در 16 کیلوهرتز یا بیشتر ضبط شده باشد. اگر از قبل فایل MP3، M4A یا ویدیو دارید، همان را بارگذاری کنید. تبدیل فایل فشرده جزئیات از دسترفته را بازنمیگرداند و فاصله میکروفون و نویز اثر بیشتری بر نتیجه دارند.
در ادامه انتخابهای پیش از ضبط، روش کار با فایل دریافتی، فرمولهای حجم، تنظیمات برای موقعیتهای مختلف، دستورهای FFmpeg و جدول رفع اشکال آمده است.
شفافسازی. ناشر این راهنما whispertranscribe.ai است. مطالب فنی به Google Cloud، کد Whisper از OpenAI، FFmpeg یا کتابخانه کنگره پیوند دارند. برای این مقاله آزمون دقت انجام ندادیم و هیچ قالبی با درصد مشخصی افزایش دقت معرفی نمیشود.
پاسخ کوتاه: بهترین قالب صوتی برای رونویسی
انتخاب را بر اساس مرحله کار انجام دهید. برای هر وضعیت انتخاب مناسب متفاوت است.
| وضعیت شما | بهترین انتخاب | دلیل |
|---|---|---|
| ضبطکننده یا برنامه را تنظیم میکنید | WAV (16 بیت) یا FLAC، مونو، 16 کیلوهرتز یا بیشتر | گوگل FLAC یا LINEAR16 بدون اتلاف را برای تشخیص گفتار پیشنهاد میکند |
| هنگام ضبط به فایل کوچک نیاز دارید | کدک با اتلاف مناسب گفتار با نرخ بیت متوسط | کدکهای با اتلاف پیشنهادی گوگل برای گفتار بهترتیب AMR-WB، Ogg Opus و Speex هستند |
| از قبل فایل MP3، M4A یا Opus دارید | اصل فایل را بارگذاری کنید | کدگذاری دوباره جزئیات را برنمیگرداند |
| ویدیو دارید (MP4، MOV، MKV) | همان را بارگذاری کنید. اگر بسیار بزرگ است صدا را استخراج کنید | فقط مسیر صوتی استفاده میشود |
| صدای گویندگان در مسیرهای جدا ضبط شده است | مسیرها را حفظ کنید | گوگل پیشنهاد میکند وقتی هر نفر کانال خود را دارد، کانالها را جدا بفرستید |
چه وقت لازم نیست نگران قالب باشید؟ برای یادداشت صوتی تلفن، قسمت منتشرشده پادکست یا ضبط Zoom یا Teams، فایل را بارگذاری کنید، زبان گفتار را انتخاب کنید و وقت خود را صرف کنترل نامها کنید.
قالب، کدک و ظرف: پسوند فایل چه چیزی را پنهان میکند؟
پسوند نام ظرف را نشان میدهد و همیشه روش فشردهسازی را مشخص نمیکند. آموزش بهینهسازی صدا از گوگل این تفاوت را روشن توضیح میدهد. سه نمونه رایج:
- WAV معمولاً PCM خطی فشردهنشده دارد، اما میتواند کدگذاریهای دیگر را هم در خود نگه دارد (قالب WAVE در کتابخانه کنگره).
- M4A میتواند AAC با اتلاف یا Apple Lossless بدون اتلاف (ALAC) داشته باشد.
- OGG ظرفی است که معمولاً Opus یا Vorbis، هر دو با اتلاف، دارد.
برای دیدن محتوای واقعی فایل، با ffprobe متعلق به FFmpeg فقط جریانهای صوتی را بررسی کنید:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
این دستور را با FFmpeg 7.1.5 روی ویدیوی آزمایشی کوتاه اجرا کردیم. برای هر جریان صوتی یک سطر چاپ شد. روی کپی بدون صدا چیزی چاپ نشد. از این راه میتوان پیش از بارگذاری، فایل بدون مسیر صوتی را تشخیص داد.
مقایسه قالبهای صوتی برای رونویسی
همه قالبهای زیر قابل رونویسیاند. تفاوت در مقدار جزئیات باقیمانده و حجم فایل است. حجمها از فرمول بخش بعد به دست آمدهاند (1 مگابایت = 1,000,000 بایت).
| قالب | با اتلاف یا بدون اتلاف | منبع معمول | حجم هر دقیقه (تنظیم نمونه) | اثر بر رونویسی | توصیه |
|---|---|---|---|---|---|
| WAV (PCM) | فشردهنشده | ضبطکنندههای میدانی، ویرایشگر صدا | 1.92 مگابایت در 16 کیلوهرتز، 16 بیت، مونو. 10.58 مگابایت در 44.1 کیلوهرتز، 16 بیت، استریو | هرچه میکروفون ضبط کرده نگه میدارد | بهترین فایل اصلی. در جلسات طولانی مراقب حجم باشید |
| FLAC | بدون اتلاف و فشرده | آرشیوها و خروجی ویرایشگر | کوچکتر از WAV با همان صدا. میزان صرفهجویی متغیر است | همان صدای WAV | برای صرفهجویی در فضا بهجای WAV استفاده کنید |
| AIFF / ALAC / CAF | AIFF معمولاً فشردهنشده، ALAC بدون اتلاف، CAF شامل هر دو نوع | برنامههای مک و آیفون | AIFF با تنظیم یکسان، هماندازه WAV | به کدک داخلی بستگی دارد | همان را بارگذاری کنید |
| MP3 | با اتلاف | پادکست، دانلودها | 0.96 مگابایت در 128 کیلوبیت بر ثانیه | به گفته گوگل کدک با اتلاف ممکن است دقت را کم کند | همان را بارگذاری کنید |
| M4A / AAC | معمولاً با اتلاف (AAC) | یادداشت صوتی و موسیقی یا صدای ویدیو | 0.48 مگابایت در 64 کیلوبیت بر ثانیه | ملاحظه مشابه MP3 | فایل اصلی را بارگذاری کنید |
| OGG / Opus | با اتلاف | پیامهای صوتی و تماس تحت وب | 0.24 مگابایت در 32 کیلوبیت بر ثانیه | Opus در فهرست گزینههای ترجیحی گوگل برای گفتار با اتلاف است | همان را بارگذاری کنید |
| AMR (باند باریک) | با اتلاف، فقط گفتار | تلفن و ضبطکننده تماس قدیمی | حدود 0.09 مگابایت در 12.2 کیلوبیت بر ثانیه | فقط 200 تا 3,400 هرتز را نگه میدارد (قالب AMR در کتابخانه کنگره) | همان را بارگذاری کنید. نرخ نمونهبرداری را بالا نبرید |
فایل ویدیو هم همینطور است. ابزار مسیر صوتی را میخواند، بنابراین تفاوت فقط در حجم بیشتر برای بارگذاری است.
حجم فایل صوتی چقدر است؟ فرمولها
با دو فرمول میتوانید حجم هر فایل را قبل از ضبط یا بارگذاری تخمین بزنید.
PCM فشردهنشده (WAV، AIFF):
بایت در ثانیه = نرخ نمونهبرداری × (عمق بیت ÷ 8) × تعداد کانالها
نمونه محاسبه:
- 16 کیلوهرتز، 16 بیت، مونو: 16,000 × 2 × 1 = 32,000 بایت در ثانیه. با ضرب در 60، برابر 1,920,000 بایت، حدود 1.92 مگابایت در دقیقه یا 115.2 مگابایت در ساعت.
- 44.1 کیلوهرتز، 16 بیت، استریو: 44,100 × 2 × 2 = 176,400 بایت در ثانیه، حدود 10.58 مگابایت در دقیقه یا 635 مگابایت در ساعت.
- 48 کیلوهرتز، 24 بیت، استریو: 48,000 × 3 × 2 = 288,000 بایت در ثانیه یا 1,036.8 مگابایت در ساعت.
فشردهسازی با اتلاف و نرخ بیت ثابت (MP3، AAC، Opus):
بایت در دقیقه = نرخ بیت بر حسب kbps × 1,000 ÷ 8 × 60 (یعنی kbps × 7,500)
- 128 کیلوبیت بر ثانیه: 128 × 7,500 = 960,000 بایت، حدود 0.96 مگابایت در دقیقه یا 57.6 مگابایت در ساعت.
- 64 کیلوبیت بر ثانیه: 0.48 مگابایت در دقیقه. 32 کیلوبیت بر ثانیه: 0.24 مگابایت در دقیقه.
حجم واقعی بهسبب سربرگ فایل کمی بیشتر است و حجم فایل با نرخ بیت متغیر حول میانگین تغییر میکند. رایانههایی که واحد دودویی (MiB) نشان میدهند، عددی حدود 5% کمتر نمایش میدهند.
این اعداد برای سقف بارگذاری 5 گیگابایت و 10 ساعت چه معنایی دارند؟
whispertranscribe.ai فایل تا 5 گیگابایت و 10 ساعت میپذیرد. با فرض اینکه 5 گیگابایت یعنی 5,000,000,000 بایت، تنظیمات رایج چنین حجمی دارند:
| تنظیم | 1 ساعت | 10 ساعت | آیا 10 ساعت کمتر از 5 گیگابایت میماند؟ |
|---|---|---|---|
| WAV، 16 کیلوهرتز، 16 بیت، مونو | 115.2 مگابایت | 1.15 گیگابایت | بله |
| WAV، 44.1 کیلوهرتز، 16 بیت، استریو | 635 مگابایت | 6.35 گیگابایت | خیر، حدود 7.9 ساعت جا میشود |
| WAV، 48 کیلوهرتز، 24 بیت، استریو | 1.04 گیگابایت | 10.37 گیگابایت | خیر، حدود 4.8 ساعت جا میشود |
| MP3، 128 کیلوبیت بر ثانیه | 57.6 مگابایت | 576 مگابایت | بله |
| Opus، 32 کیلوبیت بر ثانیه | 14.4 مگابایت | 144 مگابایت | بله |
WAV معمولی هم سقف خودش را دارد. فیلد حجم 32 بیتی، آن را به حدود 4 گیگابایت محدود میکند و ضبط طولانیتر به افزونه RF64 نیاز دارد (کتابخانه کنگره). برای ضبط بدون اتلاف بسیار بلند، FLAC یا WAV مونوی 16 کیلوهرتز از هر دو مشکل جلوگیری میکند.
چه چیزهایی از قالب صدا مهمترند؟
صدای واضح نزدیک میکروفون که در MP3 ذخیره شده معمولاً بهتر از فایل بدون اتلافی است که از سوی دیگر اتاقی شلوغ ضبط شده است. این تنظیمات و روشها بیشتر بر نتیجه اثر دارند.
نرخ نمونهبرداری: آیا 16 کیلوهرتز کافی است؟
بله، برای گفتار. گوگل 16,000 هرتز یا بیشتر را پیشنهاد میکند (روشهای پیشنهادی). آموزش آن توضیح میدهد نرخ پایینتر اطلاعات کمی در بالای 8 کیلوهرتز باقی میگذارد یا هیچ اطلاعاتی باقی نمیگذارد. کد متنباز Whisper همه ورودیها را پیش از پردازش مدل به صدای مونوی 16,000 هرتز تبدیل میکند (whisper/audio.py). ضبط در 44.1 یا 48 کیلوهرتز مشکلی ندارد، فقط حجم بیشتر است.
بالا بردن نرخ بعد از ضبط کمکی نمیکند. گوگل میگوید فایل 8 کیلوهرتز که به 44.1 کیلوهرتز تبدیل شود همچنان فقط حدود 4 کیلوهرتز دامنه فرکانسی دارد. صوت تلفنی را که معمولاً 8,000 هرتز است با نرخ اصلی بارگذاری کنید.
عمق بیت: 16 بیت یا 24 بیت؟
گوگل 16 بیت یا بیشتر را پیشنهاد میکند و میگوید تبدیل صوت 8 بیتی به 16 بیت چیزی اضافه نمیکند، چون دامنه دینامیکی هنگام ضبط تعیین شده است. نگه داشتن فایل 24 بیتی ضبطکننده اشکالی ندارد. تبدیل 16 بیت به 24 بیت هم چیزی اضافه نمیکند.
نرخ بیت فایلهای فشرده
استانداردی وجود ندارد که نرخ بیتی را برای تضمین رونویسی خوب تعیین کند. راهنمای گوگل درباره نوع کدک است: کدک با اتلاف میتواند دقت را کم کند و همراه با فشردهسازی با اتلاف، نویز یا پژواک بیشتر اثر میگذارد. اگر باید فشرده کنید، یک بار با تنظیم متوسط انجام دهید و از زنجیرههایی مانند WAV به MP3 و سپس OGG بپرهیزید.
فاصله میکروفون، نویز و سطح صدا
بر اساس پیشنهادهای پیشپردازش گوگل:
- بهویژه با وجود صدای پسزمینه، میکروفون را تا حد ممکن نزدیک گوینده بگذارید.
- از بریدگی قله صدا جلوگیری کنید. قلههای تحریفشده بعداً ترمیم نمیشوند.
- اگر برنامه اجازه میدهد، تنظیم خودکار بهره و کاهش نویز را خاموش کنید. گوگل میگوید کاهش نویز پیش از تشخیص معمولاً دقت را کمتر میکند.
مونو یا استریو؟
اگر همه از یک میکروفون استفاده میکنند، مونو کافی است. Whisper در هر صورت کانالهای استریو را در مونو ترکیب میکند، پس صدای یکسان در هر دو کانال فقط حجم بارگذاری را دو برابر میکند. وقتی هر سمت صدای فردی جدا را دارد، مانند بسیاری از ضبطکنندههای تماس یا یک میکروفون یقهای در هر کانال، استریو را حفظ کنید. گوگل در آن حالت توصیه میکند هر کانال را جدا بفرستید و ضبط ترکیبی را همانطور که هست ارسال کنید.
ضبط چندمسیره
ابزارهای پادکست و مصاحبه از راه دور اغلب صدای هر شخص را در مسیری جدا ضبط میکنند. یا یک مسیر ترکیبی خروجی بگیرید و برچسب گوینده را فعال کنید (سادهترین راه) یا مسیرها را جداگانه رونویسی کنید و متنها را بر اساس زمان کنار هم بگذارید (صدای واضحتر، با ادغام دستی).
قالب و تنظیمات پیشنهادی برای موقعیتهای مختلف
داشتن فایل از قبل رایجتر است و پاسخ معمولاً این است که همان فایل را بارگذاری کنید.
| موقعیت | قالب ضبط (اگر قابل انتخاب است) | اگر از قبل فایل دارید | پیش از بارگذاری | نکته مهم |
|---|---|---|---|---|
| مصاحبه حضوری | WAV یا FLAC، مونو برای هر میکروفون، 44.1 یا 48 کیلوهرتز | M4A یا MP3 تلفن | نامها و اصطلاحات را یادداشت کنید | شاید صدای مهمان از مصاحبهگر آرامتر باشد |
| مصاحبه یا پادکست از راه دور، مسیرهای جدا | مسیر جداگانه هر گوینده، بدون اتلاف | WAVهای جدا بهاضافه MP3 ترکیبی | ضبط ترکیبی یا مسیرهای جدا را انتخاب کنید | صحبت همزمان در مسیر ترکیبی |
| ضبط جلسه (Zoom، Teams، Meet) | گزینه ضبط صوتی سکو، اگر ارائه شده باشد | MP4 یا M4A | فقط اگر ویدیو بسیار بزرگ است صوت را استخراج کنید | یک میکروفون لپتاپ برای همه اتاق |
| یادداشت صوتی تلفن | پیشفرض برنامه | .m4a | فایل اصلی را صادر کنید | تلفن هنگام ضبط در جیب نباشد |
| قسمت منتشرشده پادکست | کاربرد ندارد | MP3 منتشرشده | اگر WAV یا FLAC پیش از انتشار را دارید، از آن استفاده کنید | موسیقی آغازین. زبان را تنظیم کنید |
| کلاس یا سمینار | مونو، 16 بیت، میکروفون نزدیک مدرس | MP3 طولانی یا ویدیو | مدت را با سقف 10 ساعت مقایسه کنید | پرسشهای شنوندگان دور از میکروفون |
| ضبط تماس تلفنی | پیشفرض ضبطکننده | AMR، M4A یا WAV با 8 کیلوهرتز | نرخ نمونهبرداری اصلی را نگه دارید | قواعد رضایت. نرخ نمونهبرداری را بالا نبرید |
پیش از ضبط، رضایت لازم افراد و در جلسات یا کلاسهای آنلاین اجازه برگزارکننده را بگیرید. راهنماهای ضبط تماس تلفنی و قوانین ضبط تماس به تفکیک ایالت این موضوع را توضیح میدهند. این مشاوره حقوقی نیست.
تبدیل صدا برای رونویسی با FFmpeg
وقتی دلیلی دارید فایل را تبدیل کنید: حجم بیش از حد بزرگ است، میخواهید فقط صدای ویدیو را بارگذاری کنید، ابزار کدک را نمیپذیرد یا برای گویندگان فایلهای جدا میخواهید. تبدیل بهخودیخود کیفیت را بهتر نمیکند.
هر دستور را با FFmpeg 7.1.5 روی کلیپ گفتار 11 ثانیهای در مالکیت عمومی و ویدیوی کوتاه آزمایشی ساختهشده از آن اجرا کردیم. فقط پایان کار و تطابق کدک، نرخ نمونهبرداری و کانالها را با ffprobe بررسی کردیم. گزینهها در مستندات FFmpeg توضیح داده شدهاند.
1. تبدیل هر فایل به WAV مونوی 16 کیلوهرتز و 16 بیت (همان مشخصاتی که Whisper در داخل به آن تبدیل میکند):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. تبدیل هر فایل به FLAC مونوی 16 کیلوهرتز (بدون اتلاف و معمولاً کوچکتر از WAV):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. تبدیل ویدیو به MP3 مونوی کمحجم (یک مرحله فشردهسازی با اتلاف اضافه میکند. وقتی حجم مهمترین معیار است استفاده کنید):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. استخراج صدا از ویدیو بدون کدگذاری دوباره (اگر صوت AAC باشد جواب میدهد، که در MP4 رایج است):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. تقسیم ضبط دوکاناله به یک فایل برای هر گوینده (با فیلتر channelsplit):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| گزینه | کارکرد |
|---|---|
-ac 1 |
صدا را در یک کانال ترکیب میکند |
-ar 16000 |
نرخ نمونهبرداری خروجی را روی 16,000 هرتز میگذارد |
-c:a pcm_s16le |
PCM فشردهنشده 16بیتی مینویسد (WAV استاندارد) |
-vn |
جریان ویدیو را حذف میکند |
-c:a copy |
صدا را با کیفیت اصلی و بدون تغییر کپی میکند |
-b:a 64k |
نرخ بیت فشردهسازی با اتلاف را تعیین میکند |
وقتی صدای ویدیو از قبل AAC است، دستور 4 را به دستور 3 ترجیح دهید تا کیفیت اصلی حفظ شود. برای صدای تلفن با 8 کیلوهرتز، -ar 16000 را حذف کنید تا نرخ بالا نرود.
خط فرمان در اختیار ندارید؟ مبدل صدا و ویدیو به MP3 در whispertranscribe.ai صدا را از MP4، MOV، MKV، WEBM یا AVI در مرورگر استخراج میکند. صفحه میگوید از WebAssembly استفاده میکند و فایلها در همان مرورگر پردازش میشوند و بارگذاری نمیشوند.
فایلهای بزرگ: چطور زیر سقف 5 گیگابایت و 10 ساعت بمانیم
- بیش از حد بزرگ، اما کمتر از 10 ساعت: معمولاً ویدیو یا WAV با وضوح بالاست. صدا را استخراج کنید (دستور 4 یا مبدل مرورگر) یا WAV را به FLAC تبدیل کنید (دستور 2).
- بیشتر از 10 ساعت: صفحه بارگذاری میگوید «در حال حاضر فقط فایلهای تا 10 ساعت را پردازش میکنیم. فایل را به 10 ساعت یا کمتر کوتاه کنید و دوباره تلاش کنید.» فایل را تقسیم کنید. دستور تقسیم بدون کدگذاری مجدد در راهنمای تبدیل MP3 به متن برای WAV هم کار میکند. آن را روی WAV آزمایشی بررسی کردیم. هنگام ادغام متن، محل اتصالها را بررسی کنید.
- اتصال کند: یک ساعت MP3 با 64 کیلوبیت بر ثانیه حدود 28.8 مگابایت است، در برابر 635 مگابایت WAV استریو با کیفیت CD. فایل اصلی بدون اتلاف را برای بایگانی نگه دارید.
رفع اشکال قالبهای صوتی
| مشکل | علت احتمالی | راهحل پیشنهادی |
|---|---|---|
| «صدا شناسایی نشد. ممکن است فایل خراب باشد. فایل را بررسی کنید و دوباره تلاش کنید.» (پیام صفحات بارگذاری ما) | فایل آسیبدیده، ویدیوی صادرشده بدون صدا یا مسیر صوتی خالی | فایل را روی دستگاه پخش کنید، بررسی صوتی ffprobe بالا را اجرا کنید (خروجی خالی یعنی جریان صوتی نیست) و از برنامه اصلی دوباره خروجی بگیرید |
| بارگذاری به دلیل مدت زیاد رد میشود | فایل بیشتر از 10 ساعت است | آن را به بخشهای 10 ساعت یا کمتر تقسیم کنید |
| حجم فایل زیاد است | ویدیو یا WAV چندکاناله با وضوح بالا | صدای ویدیو را استخراج کنید یا WAV را به FLAC تبدیل کنید |
| WAV بزرگتر از 4 گیگابایت باز یا بارگذاری نمیشود | سقف حجم WAV معمولی | دوباره به RF64 یا FLAC خروجی بگیرید یا فایل را تقسیم کنید |
| صدای یک گوینده خیلی آهستهتر از دیگری است | صدای هر فرد در کانالی جدا و با سطوح متفاوت ضبط شده | کانالها را جدا کنید (دستور 5) و هر فایل را رونویسی کنید |
| قلههای صدا خراب و خشدارند | بریدگی صدا هنگام ضبط | قابل ترمیم نیست. دفعه بعد بهره ورودی را کم کنید |
| کیفیت صدای تلفن بعد از تبدیل به 48 کیلوهرتز همچنان پایین است | افزایش نرخ اطلاعات تازهای اضافه نمیکند | اصل فایل را بارگذاری کنید. اگر گزینه نویز یا کیفیت پایین برای زبان ارائه شده، آن را آزمایش کنید |
whispertranscribe.ai کجا به کار میآید؟
whispertranscribe.ai ابزار رونویسی تحت مرورگر است که از مدلهای Whisper شرکت OpenAI استفاده میکند (بدون برنامه مستقل، API یا بازبینی انسانی). مبدل رایگان صدا به متن و صفحات دیگر بارگذاری این قالبها را فهرست میکنند: MP3، WAV، M4A، AAC، FLAC، OGG، OPUS، AMR، AIFF، ALAC، CAF، MP4، MOV، M4V، MKV، AVI، WMV، WEBM، MPG و MPEG.
- محدودیت: فایل تا 5 گیگابایت و 10 ساعت.
- زبانها: 130+ زبان، با حالت نویز یا صوت و ویدیوی کمکیفیت برای بسیاری از آنها.
- دقت: تا 99% روی صدای واضح. نویز، فاصله، لهجه و گفتار همزمان آن را کاهش میدهند.
- گویندگان: پیش از رونویسی Speaker Detection را فعال کنید.
- خروجیها: DOCX، PDF، TXT، CSV، SRT و VTT.
- حریم خصوصی: طبق سیاست حریم خصوصی، فایلهای اصلی پس از پردازش حذف میشوند و فایلهای MP3 استخراجشده بهصورت پیشفرض 30 روز میمانند.
برای ضبطهای خاص، صفحههای فایل MP3، یادداشت صوتی، تماس تلفنی، مصاحبه و کلاس و سمینار را ببینید. یک فایل را در صفحه رایگان بدون حساب امتحان کنید (محدودیتها همانجا نوشته شدهاند). طرح پولی از ماهانه $9.99 با پرداخت سالانه شروع میشود (قیمتها). اطلاعات بیشتر در صفحه امکانات است.
پرسشهای متداول
بهترین قالب صوتی برای رونویسی چیست؟
وقتی کنترل ضبط با شماست، WAV یا FLAC بهترین قالب است. مونو با 16 کیلوهرتز یا بیشتر و عمق 16 بیت مناسب است. اگر فایل فشردهای مانند MP3، M4A یا Opus دارید، همان را بارگذاری کنید. کیفیت ضبط، یعنی نزدیکی میکروفون، نویز کم و نبود بریدگی صدا، معمولاً از انتخاب میان این قالبها مهمتر است.
برای رونویسی، WAV از MP3 بهتر است؟
WAV که مستقیم از منبع ضبط شده جزئیات بیشتری از MP3 نگه میدارد و گوگل میگوید کدکهای با اتلاف مانند MP3 میتوانند دقت تشخیص را کاهش دهند. در گفتار واضح تفاوت اغلب کم و در ضبط پرنویز بیشتر است. WAV ساختهشده از MP3 موجود از همان MP3 بهتر نیست، چون جزئیات حذفشده بازنمیگردند. اگر میتوانید در WAV یا FLAC ضبط کنید و MP3های موجود را همانطور که هستند بارگذاری کنید.
از چه نرخ نمونهبرداری برای رونویسی استفاده کنم؟
از 16 کیلوهرتز یا بیشتر استفاده کنید. گوگل حداقل 16,000 هرتز را برای تشخیص گفتار توصیه میکند و Whisper شرکت OpenAI پیش از پردازش همه صداها را به مونوی 16 کیلوهرتز تبدیل میکند. ضبط در 44.1 یا 48 کیلوهرتز معمول و قابل قبول است. نرخ فایل ضبطشده را بعداً بالا نبرید. ضبط تلفن 8 کیلوهرتز را در همان 8 کیلوهرتز بارگذاری کنید، چون تبدیل فقط حجم را افزایش میدهد و اطلاعات گفتار اضافه نمیکند.
برای رونویسی مونو ضبط کنم یا استریو؟
وقتی همه از یک میکروفون استفاده میکنند، مونو ضبط کنید. Whisper استریو را به مونو تبدیل میکند، پس کپی استریوی یک صدا فقط حجم را دو برابر میکند. وقتی هر گوینده کانال جدا دارد، مثلاً در ضبط تماس یا با یک میکروفون برای هر مهمان، استریو یا چندمسیره را حفظ کنید. گوگل توصیه میکند کانالهای جدا جداگانه رونویسی شوند. میتوانید با FFmpeg کانالها را تفکیک کنید.
حجم هر دقیقه فایل WAV چقدر است؟
به تنظیمات بستگی دارد. نرخ نمونهبرداری را در بایت هر نمونه و تعداد کانالها ضرب کنید تا بایت در ثانیه به دست آید. WAV مونوی 16 کیلوهرتز و 16 بیت برابر 16,000 × 2 × 1 = 32,000 بایت در ثانیه است، یعنی حدود 1.92 مگابایت در دقیقه یا 115.2 مگابایت در ساعت. استریوی 44.1 کیلوهرتز و 16 بیت با کیفیت CD حدود 10.58 مگابایت در دقیقه یا 635 مگابایت در ساعت است.
میتوانم بهجای استخراج صدا خود فایل ویدیو را بارگذاری کنم؟
بله. ابزارهای رونویسی مسیر صوتی را میخوانند و تصویر را نادیده میگیرند. در نتیجه متن حاصل از MP4، MOV، MKV یا WEBM با صوت استخراجشده یکسان است. ویدیو فقط حجم بارگذاری را بیشتر میکند. اگر فایل نزدیک سقف حجم است یا اتصال کند است، صوت را جدا کنید. مثلاً -vn -c:a copy در FFmpeg کیفیت اصلی صدا را نگه میدارد. در whispertranscribe.ai میتوانید ویدیو را همانطور که هست بارگذاری کنید و DOCX، TXT، SRT یا VTT بگیرید.
فایل ضبطشده دارید؟ همان را در مبدل رایگان صدا به متن whispertranscribe.ai بارگذاری کنید. یکی از 130+ زبان را انتخاب کنید، Speaker Detection را روشن کنید و DOCX، TXT، SRT یا VTT دانلود کنید. فایل تا 5 گیگابایت و 10 ساعت.
منابع
- Google Cloud: روشهای پیشنهادی Speech-to-Text برای داده گفتار
- Google Cloud: بهینهسازی فایلهای صوتی برای Speech-to-Text
- OpenAI: whisper/audio.py در مخزن Whisper در GitHub
- FFmpeg: مستندات خط فرمان ffmpeg و فیلتر channelsplit
- کتابخانه کنگره: قالب صوتی WAVE (fdd000001)
- کتابخانه کنگره: AMR، کدک گفتار با نرخ چندگانه تطبیقی (fdd000254)
