Paras Äänimuoto Litterointiin: Tallennus, Lataus ja Muunnos

whispertranscribe.ai:n toimitus · Päivitetty: marraskuu 2026 · Lukuaika: 12 minuuttia

Paras äänimuoto litterointiin on häviötön WAV (16-bittinen PCM) tai FLAC, tallennettuna monona vähintään 16 kHz:llä silloin, kun voit valita tallennusasetukset. Jos sinulla on jo MP3-, M4A- tai videotiedosto, lataa se sellaisenaan. Pakatun tiedoston muuntaminen ei palauta kadonneita yksityiskohtia, ja mikrofonin etäisyys sekä melu vaikuttavat tulokseen enemmän.

Alla: valinnat ennen tallennusta, valmiin tiedoston käsittely, tiedostokoon kaavat, asetukset tilanteittain, FFmpeg-komennot ja ongelmanratkaisutaulukko.

Ilmoitus. whispertranscribe.ai julkaisee tämän oppaan. Tekniset väitteet linkittävät Google Cloudiin, OpenAI:n Whisper-koodiin, FFmpeg-dokumentaatioon tai Library of Congressiin. Emme tehneet artikkeliin tarkkuustestejä emmekä lupaa tietyn muodon parantavan tarkkuutta tietyllä prosentilla.

Lyhyesti: paras äänimuoto litterointiin

Valitse työvaiheen mukaan, älä yhden yleisen ”voittajan” perusteella.

Tilanne Paras valinta Miksi
Määrität tallentimen tai sovelluksen asetuksia WAV (16-bit) tai FLAC, mono, vähintään 16 kHz Google suosittelee häviötöntä FLACia tai LINEAR16:ta puheentunnistukseen
Tarvitset tallennettaessa pieniä tiedostoja Puheelle sopiva häviöllinen koodekki kohtuullisella bittinopeudella Googlen suosimat häviölliset puhekoodekit järjestyksessä: AMR-WB, Ogg Opus, Speex
Sinulla on jo MP3-, M4A- tai Opus-tiedosto Lataa alkuperäinen Uudelleenkoodaus ei palauta mitään
Sinulla on video (MP4, MOV, MKV) Lataa se; irrota ääni, jos tiedosto on valtava Vain ääniraita käytetään
Puhujat on tallennettu erillisille raidoille Säilytä raidat Google neuvoo lähettämään kanavat erikseen, kun kullakin henkilöllä on oma kanava

Milloin formaatista ei tarvitse huolehtia: puhelimen äänimuistio, julkaistu podcast-jakso tai Zoom- tai Teams-tallenne. Lataa sellaisenaan, valitse oikea puhuttu kieli ja tarkista mieluummin nimet.

Muoto, koodekki ja säiliö: mitä tiedostopääte peittää

Pääte nimeää säiliön, ei aina pakkausta. Googlen äänen optimointiohje selittää, etteivät koodekit ja tiedostomuodot ole sama asia. Kolme esimerkkiä:

  • WAV sisältää yleensä pakkaamatonta lineaarista PCM:ää, mutta voi sisältää muutakin koodausta (Library of Congress, WAVE).
  • M4A voi sisältää häviöllistä AAC:tä tai häviötöntä Apple Losslessia (ALAC).
  • OGG on säiliö, joka sisältää tavallisesti Opusta tai Vorbisia, molemmat häviöllisiä.

Näet tiedoston todelliset äänivirrat kysymällä FFmpegin ffprobe-työkalulta vain äänet:

ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4

Komento näyttää yhden rivin äänivirtaa kohti. Tyhjä tulos voi tarkoittaa, ettei tiedostossa ole ääniraitaa; tarkista se ennen lataamista.

Äänimuodot vertailussa litterointiin

Kaikki alla olevat muodot voidaan litteroida. Erona on säilyneiden yksityiskohtien määrä ja tiedoston koko. Koot perustuvat seuraavan osion kaavoihin (1 MB = 1,000,000 tavua).

Muoto Häviöllinen vai häviötön Tyypillinen lähde Koko minuutissa (esimerkkiasetus) Vaikutus litterointiin Mitä tehdä
WAV (PCM) Pakkaamaton Kenttätallentimet, äänieditorit 1.92 MB, 16 kHz, 16-bit, mono; 10.58 MB, 44.1 kHz, 16-bit, stereo Säilyttää kaiken mikrofonin tallentaman Paras master; huomioi koko pitkissä istunnoissa
FLAC Häviötön (pakattu) Arkistot, editorien viennit Samaa WAVia pienempi; säästö vaihtelee Sama ääni kuin WAVissa Säästä tilaa käyttämällä WAVin sijaan
AIFF / ALAC / CAF AIFF yleensä pakkaamaton; ALAC häviötön; CAF voi sisältää kumpaakin Mac- ja iPhone-sovellukset AIFF: sama kuin WAV samoilla asetuksilla Riippuu sisäisestä koodekista Lataa sellaisenaan
MP3 Häviöllinen Podcastit, lataukset 0.96 MB, 128 kbps Google: häviölliset koodekit voivat heikentää tarkkuutta Lataa sellaisenaan
M4A / AAC Yleensä häviöllinen (AAC) Äänimuistiot, videoäänet 0.48 MB, 64 kbps Sama varaus kuin MP3:ssa Lataa alkuperäinen
OGG / Opus Häviöllinen Viestisovellusten ääniviestit, verkkopuhelut 0.24 MB, 32 kbps Opus on Googlen suosimissa häviöllisen puheen muodoissa Lataa sellaisenaan
AMR (kapeakaista) Häviöllinen, vain puhe Vanhat puhelimet ja puhelutallentimet Noin 0.09 MB, 12.2 kbps Sisältää vain 200–3,400 Hz (Library of Congress, AMR) Lataa sellaisenaan; älä kasvata näytteenottotaajuutta

Videot toimivat samalla tavalla: työkalu lukee ääniraidan, joten lisäkustannus on vain suurempi latauskoko.

Kuinka suuri äänitiedosto on? Kaavat

Kahdella kaavalla voit arvioida koon ennen tallennusta tai latausta.

Pakkaamaton PCM (WAV, AIFF):

bytes per second = sample rate × (bit depth ÷ 8) × channels

Laskuesimerkkejä:

  • 16 kHz, 16-bit, mono: 16,000 × 2 × 1 = 32,000 tavua sekunnissa. × 60 = 1,920,000 tavua, noin 1.92 MB minuutissa tai 115.2 MB tunnissa.
  • 44.1 kHz, 16-bit, stereo: 44,100 × 2 × 2 = 176,400 tavua sekunnissa, noin 10.58 MB minuutissa tai 635 MB tunnissa.
  • 48 kHz, 24-bit, stereo: 48,000 × 3 × 2 = 288,000 tavua sekunnissa eli 1,036.8 MB tunnissa.

Häviöllinen vakiobittinopeudella (MP3, AAC, Opus):

bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (eli kbps × 7,500)

  • 128 kbps: 128 × 7,500 = 960,000 tavua, noin 0.96 MB minuutissa tai 57.6 MB tunnissa.
  • 64 kbps: 0.48 MB minuutissa; 32 kbps: 0.24 MB minuutissa.

Todelliset tiedostot ovat otsakkeiden vuoksi hieman suurempia, ja vaihtelevan bittinopeuden tiedostot vaihtelevat keskiarvon ympärillä. Binääriyksiköitä (MiB) näyttävät tietokoneet näyttävät noin 5 % pienempiä lukuja.

Mitä luvut tarkoittavat 5GB:n ja 10 tunnin latausrajalla?

whispertranscribe.ai hyväksyy enintään 5GB:n ja 10 tunnin tiedostot. Näin tavalliset asetukset mahtuvat, kun 5GB tarkoittaa 5,000,000,000 tavua:

Asetus 1 tunti 10 tuntia Mahtuuko 10 tuntia alle 5GB:hen?
WAV, 16 kHz, 16-bit, mono 115.2 MB 1.15 GB Kyllä
WAV, 44.1 kHz, 16-bit, stereo 635 MB 6.35 GB Ei: noin 7.9 tuntia mahtuu
WAV, 48 kHz, 24-bit, stereo 1.04 GB 10.37 GB Ei: noin 4.8 tuntia mahtuu
MP3, 128 kbps 57.6 MB 576 MB Kyllä
Opus, 32 kbps 14.4 MB 144 MB Kyllä

Klassisella WAVilla on myös oma rajansa: 32-bittinen kokokenttä rajoittaa sen noin 4 GB:hen, ja pidemmät tallenteet vaativat RF64-laajennuksen (Library of Congress). Erittäin pitkillä häviöttömillä tallenteilla FLAC tai 16 kHz:n mono-WAV välttää molemmat ongelmat.

Äänimuotoa tärkeämmät asiat

Selkeä ääni mikrofonin lähellä MP3:ksi tallennettuna on yleensä parempi kuin häviötön tallenne meluisan huoneen toiselta puolelta. Seuraavat asetukset ja tavat ratkaisevat paljon.

Näytteenottotaajuus: riittääkö 16 kHz?

Kyllä, puheelle. Google suosittelee vähintään 16,000 Hz:iä (parhaat käytännöt); ohjeen mukaan alemmilla taajuuksilla 8 kHz:n yläpuolelle jää vähän tai ei lainkaan tietoa. OpenAI:n avoin Whisper-koodi muuntaa jokaisen syötteen 16,000 Hz:n monoksi ennen mallia (whisper/audio.py). Tallennus 44.1 tai 48 kHz:llä on hyvä, mutta suurempi.

Taajuuden nostaminen jälkikäteen ei auta: Googlen mukaan 8 kHz:n tiedosto, joka nostetaan 44.1 kHz:iin, sisältää yhä vain noin 4 kHz:n taajuusalueen. Lataa puhelinääni, usein 8,000 Hz, alkuperäisellä taajuudellaan.

Bittisyvyys: 16 vai 24 bittiä?

Google suosittelee vähintään 16 bittiä ja sanoo, ettei 8-bittisen äänen muuttaminen 16-bittiseksi tuo hyötyä, koska dynamiikka määräytyi tallennettaessa. Tallentimen 24 bitin säilyttäminen ei haittaa; 16:n muuttaminen 24:ksi ei lisää mitään.

Pakattujen tiedostojen bittinopeus

Mikään standardi ei määritä hyvän litteroinnin takaavaa bittinopeutta. Googlen ohje koskee koodekkityyppiä: häviölliset koodekit voivat heikentää tarkkuutta, ja melu tai kaiku haittaa enemmän häviöllisen pakkauksen yhteydessä. Jos pakkaat, tee se kerran kohtuullisella asetuksella ja vältä ketjuja WAVista MP3:een ja OGG:hen.

Mikrofonin etäisyys, melu ja tasot

Googlen esikäsittelyneuvoista:

  • Aseta mikrofoni kohtuullisen lähelle puhujaa, etenkin taustamelussa.
  • Vältä leikkautumista. Säröytyneitä huippuja ei voi korjata myöhemmin.
  • Kytke automaattinen vahvistus ja kohinanvaimennus pois, jos sovellus sallii. Googlen mukaan kohinanvaimennus ennen tunnistusta yleensä heikentää tarkkuutta.

Mono vai stereo?

Yhdelle yhteiselle mikrofonille mono riittää. Whisper yhdistää stereon monoksi, joten sama ääni molemmilla puolilla vain kaksinkertaistaa latauksen. Stereo kannattaa säilyttää, kun kumpikin puoli sisältää eri henkilön, kuten monissa puhelutallentimissa tai yhden nappimikrofonin kanavaa kohti. Google neuvoo silloin lähettämään kanavat erikseen ja miksatun tallenteen sellaisenaan.

Moniraitatallenteet

Podcast- ja etähaastattelutyökalut tallentavat usein jokaisen omalle raidalleen. Vie yksi yhdistetty raita ja ota puhujatunnisteet käyttöön (yksinkertaisinta), tai litteroi raidat erikseen ja yhdistä tekstit aikaleimojen mukaan (puhtain ääni, mutta yhdistäminen jää sinulle).

Suositeltu muoto ja asetukset tilanteittain

”Jos tiedosto on jo olemassa” on yleisempi tilanne, ja vastaus on yleensä ”lataa se”.

Tilanne Tallenna näin (jos valitset) Jos sinulla on jo Ennen lataamista Huomioi
Kasvokkainen haastattelu WAV tai FLAC, mono mikrofonia kohti, 44.1 tai 48 kHz Puhelimen M4A tai MP3 Kirjaa nimet ja termit Vieras on hiljaisempi kuin haastattelija
Etähaastattelu tai podcast, erilliset raidat Jokaiselle oma häviötön raita Erilliset WAVit ja miksattu MP3 Valitse miksaus tai erilliset raidat Päällekkäinen puhe miksauksessa
Kokoustallenne (Zoom, Teams, Meet) Alustan äänivaihtoehto, jos tarjolla MP4 tai M4A Irrota ääni vain, jos video on valtava Yksi kannettavan mikrofoni koko salille
Puhelimen äänimuistio Sovelluksen oletus .m4a Vie alkuperäinen Puhelin taskussa tallennettaessa
Julkaistu podcast-jakso Ei sovellettavissa Julkaistu MP3 Käytä julkaisua edeltävää WAVia tai FLACia, jos sinulla on se Musiikkialut; aseta kieli
Luento tai seminaari Mono, 16-bit, mikrofoni luennoitsijan lähellä Pitkä MP3 tai video Vertaa pituutta 10 tuntiin Yleisön kysymykset mikrofonin ulkopuolelta
Puhelutallenne Tallentimen oletus AMR, M4A tai 8 kHz WAV Säilytä alkuperäinen näytteenottotaajuus Suostumussäännöt; älä kasvata näytteenottotaajuutta

Hanki tarvittava suostumus ennen puhelujen tai tapahtumien tallentamista ja tarvittaessa järjestäjän lupa; noudata tallennuskieltoja. Oppaamme puhelun tallentamisesta ja tallennuslaeista osavaltioittain käsittelevät asiaa. Tämä ei ole oikeudellista neuvontaa.

Äänen muuntaminen litterointiin FFmpegillä

Muunna vain syystä: tiedosto on liian suuri, haluat kevyemmän latauksen videosta, työkalu hylkää koodekin tai haluat puhujat erillisiin tiedostoihin. Muuntaminen ”laadun” vuoksi ei toimi.

Tarkista tuloksen koodekki, näytteenottotaajuus ja kanavat ffprobe-työkalulla. Valinnat selitetään FFmpeg-dokumentaatiossa.

1. Mikä tahansa tiedosto 16 kHz:n mono 16-bit WAViksi (sama muoto, johon Whisper muuntaa sisäisesti):

ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav

2. Mikä tahansa tiedosto 16 kHz:n mono-FLACiksi (häviötön ja useimmiten WAVia pienempi):

ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac

3. Video pieneksi mono-MP3:ksi (lisää yhden häviöllisen vaiheen; käytä, kun koko on tärkein):

ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3

4. Irrota ääni videosta ilman uudelleenkoodausta (toimii, kun ääni on AAC, joka on yleinen MP4:ssä):

ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a

5. Jaa kaksikanavainen tallenne tiedostoksi puhujaa kohti (käyttää channelsplit-suodatinta):

ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
Valinta Toiminto
-ac 1 Yhdistää äänen yhdeksi kanavaksi
-ar 16000 Asettaa lähtönäytteenottotaajuuden 16,000 Hz:iin
-c:a pcm_s16le Kirjoittaa 16-bittisen pakkaamattoman PCM:n (tavallinen WAV)
-vn Poistaa videovirran
-c:a copy Kopioi äänen sellaisenaan laatua muuttamatta
-b:a 64k Asettaa häviöllisen bittinopeuden

Suosi komentoa 4 komennon 3 sijaan, kun videon ääni on jo AAC, sillä se säilyttää alkuperäisen laadun. Jätä 8 kHz:n puhelinäänestä -ar 16000 pois, jotta et kasvata näytteenottotaajuutta.

Ei komentoriviä? whispertranscribe.ai:n ääni- ja video–MP3-muunnin irrottaa ääniraidan MP4-, MOV-, MKV-, WEBM- tai AVI-tiedostosta selaimessa. Sivun mukaan se käyttää WebAssemblyä ja tiedostot käsitellään selaimessa eikä niitä ladata palvelimelle.

Suuret tiedostot: alle 5GB ja 10 tuntia

  • Liian suuri, mutta alle 10 tuntia: yleensä video tai korkean resoluution WAV. Irrota ääni (komento 4 tai selainmuunnin) tai muuta WAV FLACiksi (komento 2).
  • Yli 10 tuntia: lataussivu näyttää ”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.” Jaa tiedosto. MP3 tekstiksi -oppaan jakokomentoa ilman uudelleenkoodausta voi käyttää myös WAViin. Tarkista liittymäkohdat tekstiä yhdistäessäsi.
  • Hidas yhteys: tunti 64 kbps:n MP3:a on noin 28.8 MB, kun CD-tyylinen stereo-WAV on 635 MB. Säilytä häviötön alkuperäinen arkistossa.

Äänimuoto-ongelmien ratkaisu

Ongelma Todennäköinen syy Mitä kokeilla
”No audio detected. The file may be corrupted. Please check the file and try again.” (lataussivuillamme) Vaurioitunut tiedosto, ilman ääntä viety video tai tyhjä ääniraita Toista paikallisesti; suorita yllä oleva ffprobe-äänitarkistus (tyhjä tulos tarkoittaa, ettei äänivirtaa ole); vie uudelleen alkuperäisestä sovelluksesta
Lataus hylätään liian pitkänä Tiedosto yli 10 tuntia Jaa enintään 10 tunnin osiin
Tiedosto liian suuri Video tai korkean resoluution monikanavainen WAV Irrota ääni tai muunna WAV FLACiksi
Yli 4 GB:n WAV ei avaudu tai lataudu Klassisen WAVin kokoraja Vie uudelleen RF64:ksi tai FLACiksi tai jaa
Toinen puhuja on paljon hiljaisempi Henkilöt ovat eri kanavilla eri tasoilla tallennettuina Jaa kanavat (komento 5) ja litteroi kumpikin tiedosto
Säröytyneet, rätisevät huiput Leikkautuminen tallennettaessa Ei voi korjata; laske tulovahvistusta seuraavalla kerralla
Puhelinääni on edelleen huono 48 kHz:iin muuntamisen jälkeen Näytteenottotaajuuden nosto ei lisää tietoa Lataa alkuperäinen; kokeile tarjolla olevaa ”Noise / Low-Quality Audio/Video” -vaihtoehtoa

Mihin whispertranscribe.ai sopii?

whispertranscribe.ai on OpenAI:n Whisper-malleihin perustuva selaimessa toimiva litterointityökalu (ei sovellusta, APIa tai ihmisoikolukua). Ilmainen ääni–teksti-muunnin ja muut lataussivut luettelevat muodot: MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG ja MPEG.

  • Rajat: tiedostot enintään 5GB ja 10 tuntia.
  • Kielet: yli 130 kieltä, monille ”Noise / Low-Quality Audio/Video” -vaihtoehdot.
  • Tarkkuus: jopa 99 % selkeällä äänellä. Melu, etäisyys, aksentit ja päällekkäinen puhe heikentävät sitä.
  • Puhujat: ota Speaker Detection käyttöön ennen litterointia.
  • Viennit: DOCX, PDF, TXT, CSV, SRT ja VTT.
  • Tietosuoja: tietosuojakäytännön mukaan alkuperäiset lataukset poistetaan käsittelyn jälkeen ja irrotetut MP3:t säilyvät oletuksena 30 päivää.

Katso tallennekohtaiset sivut: MP3-tiedostot, äänimuistiot, puhelut, haastattelut sekä luennot ja seminaarit. Kokeile tiedostoa ilmaissivulla ilman tiliä (rajat näkyvät siellä). Maksulliset tilaukset alkaen $9.99/kk vuosilaskutuksella (hinnat). Muut tiedot ovat ominaisuussivulla.

Usein kysytyt kysymykset

Mikä on paras äänimuoto litterointiin?

WAV tai FLAC on paras, kun hallitset tallennuksen, mieluiten monona vähintään 16 kHz:llä ja 16 bitin syvyydellä. Jos sinulla on jo pakattu MP3, M4A tai Opus, lataa se sellaisenaan muuntamisen sijaan. Tallennuksen laatu eli läheinen mikrofoni, vähäinen taustamelu ja leikkautumisen puute on yleensä muotovalintaa tärkeämpää.

Onko WAV parempi kuin MP3 litterointiin?

Lähteestä tallennettu WAV säilyttää enemmän yksityiskohtia kuin MP3, ja Google huomauttaa häviöllisten koodekkien kuten MP3:n voivan heikentää tunnistusta. Ero on usein pieni selkeässä puheessa ja suurempi meluisissa tallenteissa. Olemassa olevasta MP3:sta tehty WAV ei ole MP3:a parempi, koska pois jätetyt yksityiskohdat ovat kadonneet. Tallenna WAVina tai FLACina, kun voit, ja lataa MP3:t sellaisinaan.

Mitä näytteenottotaajuutta litterointiin kannattaa käyttää?

Käytä vähintään 16 kHz:iä. Google suosittelee puheentunnistukseen vähintään 16,000 Hz:iä ja OpenAI:n Whisper muuntaa kaiken äänen 16 kHz:n monoksi ennen käsittelyä. Tallennus 44.1 tai 48 kHz:llä on hyvä ja yleinen. Älä nosta alempaa taajuutta jälkikäteen: 8 kHz:n puhelutallenne kannattaa ladata 8 kHz:nä, koska nosto kasvattaa kokoa lisäämättä puhetietoa.

Kannattaako litterointiin tallentaa monona vai stereona?

Tallenna monona, kun kaikki jakavat yhden mikrofonin. Whisper yhdistää stereon monoksi, joten saman äänen stereokopio vain kaksinkertaistaa koon. Säilytä stereo tai moniraita, kun jokaisella puhujalla on oma kanava, esimerkiksi puhelutallentimessa tai mikrofoni vierasta kohti. Google neuvoo litteroimaan erilliset kanavat erikseen; ne voi jakaa FFmpegillä.

Kuinka suuri WAV on minuutissa?

Se riippuu asetuksista: kerro näytteenottotaajuus tavuilla näytettä kohti ja kanavien määrällä saadaksesi tavut sekunnissa. 16 kHz:n 16-bittinen mono-WAV on 16,000 × 2 × 1 = 32,000 tavua sekunnissa, noin 1.92 MB minuutissa tai 115.2 MB tunnissa. CD-tyylinen 44.1 kHz:n 16-bittinen stereo on noin 10.58 MB minuutissa tai 635 MB tunnissa.

Voinko ladata videon äänen irrottamisen sijaan?

Kyllä. Litterointityökalut lukevat ääniraidan ja sivuuttavat kuvan, joten MP4, MOV, MKV tai WEBM antaa saman litteroinnin kuin siitä irrotettu ääni. Video vain kasvattaa latausta. Irrota ääni, kun tiedosto lähestyy kokorajaa tai yhteys on hidas, esimerkiksi FFmpegin -vn -c:a copy -valinnalla, joka säilyttää alkuperäisen äänenlaadun. whispertranscribe.ai:ssa voit ladata videon sellaisenaan ja viedä DOCX-, TXT-, SRT- tai VTT-muotoon.


Onko tallenne valmiina? Lataa se sellaisenaan whispertranscribe.ai:hin ilmaisella ääni–teksti-muuntimella: valitse yli 130 kielestä, ota Speaker Detection käyttöön ja lataa DOCX, TXT, SRT tai VTT. Tiedostot enintään 5GB ja 10 tuntia.

Lähteet

Haluatko muuntaa tallenteesi tekstiksi?

Litteroi ääntä ja videota palvelussa whispertranscribe.ai.

Aloita litterointi ↗