Pangkat Editoryal ng whispertranscribe.ai · Huling na-update: Nobyembre 2026 · 12 minutong pagbasa
Ang pinakamainam na format para sa transcription ay lossless audio, WAV (16-bit PCM) o FLAC, na naka-record sa mono sa 16 kHz o mas mataas kapag kontrolado mo ang recording. Kung may MP3, M4A, o video ka na, i-upload ito nang ganoon. Hindi maibabalik ng pag-convert ng compressed file ang nawalang detalye; mas malaki ang epekto ng layo ng mikropono at ingay.
Nasa ibaba ang pagpili bago mag-record, paggamit ng ibinigay na file, mga formula ng laki, setting bawat sitwasyon, FFmpeg command, at talahanayan ng solusyon.
Pagsisiwalat. Inilathala ng whispertranscribe.ai ang gabay na ito. Nakaugnay ang mga teknikal na pahayag sa Google Cloud, Whisper code ng OpenAI, FFmpeg, o Library of Congress. Hindi kami nagsagawa ng accuracy test at walang pangakong tiyak na porsiyentong pagbuti dahil sa format.
Maikling sagot: ang pinakamahusay na audio format para sa transcription
Pumili ayon sa yugto ng trabaho, hindi sa iisang «panalo».
| Sitwasyon | Pinakamainam na piliin | Bakit |
|---|---|---|
| Nagse-set up ka ng recorder o app | WAV (16-bit) o FLAC, mono, 16 kHz o mas mataas | Inirerekomenda ng Google ang lossless FLAC o LINEAR16 para sa speech recognition |
| Kailangan ng maliliit na file habang nagre-record | Speech-friendly na lossy codec sa katamtamang bitrate | Mga paboritong lossy codec ng Google para sa pagsasalita: AMR-WB, Ogg Opus, Speex |
| May MP3, M4A, o Opus ka na | I-upload ang orihinal | Walang naibabalik ang muling encoding |
| May video (MP4, MOV, MKV) | I-upload; kunin ang audio kung napakalaki | Audio track lang ang ginagamit |
| Naka-record sa magkahiwalay na track ang mga speaker | Panatilihin ang mga track | Ipinapayo ng Google na ipadala nang hiwalay ang bawat channel kapag bawat tao ay may sarili |
Kailan hindi dapat mag-alala sa format: voice memo ng telepono, inilabas na podcast, o recording mula sa Zoom o Teams. I-upload, piliin ang wikang sinasalita, at gamitin ang oras sa pagsuri ng pangalan.
Format, codec, at container: ano ang itinatago ng extension
Pinapangalanan ng extension ang container, hindi palagi ang compression. Maliwanag na sinasabi ng audio optimization tutorial ng Google na hindi pareho ang codec at file format. Tatlong karaniwang sorpresa:
- WAV ay karaniwang may uncompressed linear PCM, ngunit maaari ring maglaman ng ibang encoding (Library of Congress, WAVE).
- M4A ay maaaring may lossy AAC o lossless Apple Lossless (ALAC).
- OGG ay container na karaniwang may Opus o Vorbis, kapwa lossy.
Upang makita ang laman, hingin sa ffprobe ng FFmpeg ang audio streams lamang:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
Nagpi-print ang command ng isang linya bawat audio stream; ang walang output ay maaaring makatulong makita ang file na walang audio track bago mag-upload.
Paghahambing ng audio format para sa transcription
Maaaring i-transcribe ang lahat ng format sa ibaba. Nagkakaiba ang nanatiling detalye at laki. Ang mga laki ay mula sa formula sa susunod (1 MB = 1,000,000 bytes).
| Format | Lossy o lossless | Karaniwang pinagmulan | Laki bawat minuto (halimbawang setting) | Epekto sa transcription | Gagawin |
|---|---|---|---|---|---|
| WAV (PCM) | Uncompressed | Field recorder, audio editor | 1.92 MB sa 16 kHz, 16-bit, mono; 10.58 MB sa 44.1 kHz, 16-bit, stereo | Pinananatili ang nakuha ng mikropono | Pinakamainam na master; bantayan ang laki sa mahahaba |
| FLAC | Lossless (compressed) | Archive, editor export | Mas maliit sa parehong WAV; nag-iiba ang natitipid | Parehong audio ng WAV | Gamitin sa halip na WAV upang makatipid |
| AIFF / ALAC / CAF | AIFF karaniwang uncompressed; ALAC lossless; CAF maaaring alinman | Mac at iPhone app | AIFF: katulad ng WAV sa parehong setting | Depende sa codec | I-upload nang ganoon |
| MP3 | Lossy | Podcast, download | 0.96 MB sa 128 kbps | Google: maaaring bawasan ng lossy codec ang accuracy | I-upload nang ganoon |
| M4A / AAC | Karaniwang lossy (AAC) | Voice memo, soundtrack ng video | 0.48 MB sa 64 kbps | Parehong pag-iingat sa MP3 | I-upload ang orihinal |
| OGG / Opus | Lossy | Messaging voice note, web call | 0.24 MB sa 32 kbps | Kasama ang Opus sa paboritong lossy speech codec ng Google | I-upload nang ganoon |
| AMR (narrowband) | Lossy, pagsasalita lamang | Lumang telepono at call recorder | Mga 0.09 MB sa 12.2 kbps | 200 hanggang 3,400 Hz lamang (Library of Congress, AMR) | I-upload nang ganoon; huwag i-upsample |
Ganoon din sa video: binabasa ng tool ang audio track, kaya dagdag na laki lamang sa upload ang kapalit.
Gaano kalaki ang audio file? Mga formula
Dalawang formula ang makakatulong sa pagtatantiya bago mag-record o mag-upload.
Uncompressed PCM (WAV, AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels
Mga halimbawa:
- 16 kHz, 16-bit, mono: 16,000 × 2 × 1 = 32,000 bytes bawat segundo. × 60 = 1,920,000 bytes, mga 1.92 MB bawat minuto o 115.2 MB bawat oras.
- 44.1 kHz, 16-bit, stereo: 44,100 × 2 × 2 = 176,400 bytes bawat segundo, mga 10.58 MB bawat minuto o 635 MB bawat oras.
- 48 kHz, 24-bit, stereo: 48,000 × 3 × 2 = 288,000 bytes bawat segundo o 1,036.8 MB bawat oras.
Lossy sa constant bitrate (MP3, AAC, Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (iyon ay kbps × 7,500)
- 128 kbps: 128 × 7,500 = 960,000 bytes, mga 0.96 MB bawat minuto o 57.6 MB bawat oras.
- 64 kbps: 0.48 MB bawat minuto; 32 kbps: 0.24 MB bawat minuto.
Bahagyang mas malaki ang aktuwal na file dahil sa header, at nag-iiba sa average ang variable bitrate. Ang mga computer na nagpapakita ng binary unit (MiB) ay nagpapakita ng humigit-kumulang 5% na mas mababang bilang.
Ano ang kahulugan ng mga bilang para sa 5GB at 10 oras na limitasyon
Tumatanggap ang whispertranscribe.ai ng hanggang 5GB at 10 oras. Narito ang karaniwang setting kung ang 5GB ay 5,000,000,000 bytes:
| Setting | 1 oras | 10 oras | Kasya ba ang 10 oras sa 5GB? |
|---|---|---|---|
| WAV, 16 kHz, 16-bit, mono | 115.2 MB | 1.15 GB | Oo |
| WAV, 44.1 kHz, 16-bit, stereo | 635 MB | 6.35 GB | Hindi: mga 7.9 oras ang kasya |
| WAV, 48 kHz, 24-bit, stereo | 1.04 GB | 10.37 GB | Hindi: mga 4.8 oras ang kasya |
| MP3, 128 kbps | 57.6 MB | 576 MB | Oo |
| Opus, 32 kbps | 14.4 MB | 144 MB | Oo |
May sariling limitasyon ang klasikong WAV: nililimitahan ito ng 32-bit size field sa mga 4 GB, at kailangan ng RF64 para sa mas mahaba (Library of Congress). Para sa napakahabang lossless recording, iniiwasan ng FLAC o 16 kHz mono WAV ang dalawang problema.
Ano ang mas mahalaga kaysa audio format
Karaniwang mas mabuti ang malinaw na boses malapit sa mikropono na naka-save bilang MP3 kaysa lossless file mula sa kabilang bahagi ng maingay na silid. Ang mga setting at ugaling ito ang nagpapasya sa karamihan ng resulta.
Sample rate: sapat ba ang 16 kHz?
Oo, para sa pagsasalita. Inirerekomenda ng Google ang 16,000 Hz o mas mataas (best practices); sinasabi ng tutorial na kaunti o walang impormasyon sa itaas ng 8 kHz sa mas mababang rate. Kino-convert ng open-source Whisper code ng OpenAI ang bawat input sa 16,000 Hz mono bago ito maproseso (whisper/audio.py). Maayos ang 44.1 o 48 kHz ngunit mas malaki.
Hindi nakakatulong ang pagtaas pagkatapos: sabi ng Google, ang 8 kHz file na in-upsample sa 44.1 kHz ay may mga 4 kHz pa ring frequency range. I-upload ang telephone audio, karaniwang 8,000 Hz, sa orihinal na rate.
Bit depth: 16-bit o 24-bit?
Inirerekomenda ng Google ang 16 bits o higit at sinasabing walang pakinabang ang conversion mula 8-bit sa 16-bit dahil naitakda ang dynamic range sa recording. Hindi masama ang pagpapanatili ng 24-bit; walang idinadagdag ang conversion mula 16-bit sa 24-bit.
Bitrate para sa compressed file
Walang standard na bitrate na gumagarantiya ng magandang transcription. Ang gabay ng Google ay tungkol sa uri ng codec: maaaring bumaba ang accuracy sa lossy codec, at mas nakasasama ang ingay o echo kapag may lossy compression. Kung kailangang mag-compress, gawin nang isang beses sa katamtamang setting at iwasan ang sunod-sunod na WAV sa MP3 sa OGG.
Layo ng mikropono, ingay, at level
Mula sa preprocessing advice ng Google:
- Ilagay ang mikropono nang malapit sa speaker hangga't maaari, lalo na kung may ingay.
- Iwasan ang clipping. Hindi na maaayos ang distorted na peak.
- I-off ang automatic gain control at noise reduction kung pinapayagan. Sabi ng Google, karaniwang binabawasan ng noise reduction bago ang recognition ang accuracy.
Mono o stereo?
Para sa isang nakabahaging mikropono, sapat ang mono. Hinahalo rin ng Whisper ang stereo sa mono, kaya dinodoble lamang ng magkaparehong boses sa dalawang gilid ang upload. Panatilihin ang stereo kapag magkaibang tao ang nasa bawat channel, tulad ng maraming call recorder o isang lapel mic bawat channel. Ipinapayo ng Google na ipadala nang hiwalay ang mga channel at ang mixed recording nang ganoon.
Multitrack na recording
Madalas na nire-record ng podcast at remote interview tool ang bawat tao sa hiwalay na track. Mag-export ng isang mixed track at i-on ang speaker label (pinakasimple), o i-transcribe ang bawat track at pagsamahin ang text ayon sa timestamp (mas malinis na audio ngunit ikaw ang magsasama).
Inirerekomendang format at setting ayon sa sitwasyon
Mas karaniwang mayroon ka nang file at ang sagot ay «i-upload ito».
| Sitwasyon | I-record bilang (kung pipili) | Kung mayroon ka na | Bago mag-upload | Bantayan |
|---|---|---|---|---|
| Personal na interview | WAV o FLAC, mono bawat mic, 44.1 o 48 kHz | M4A o MP3 mula sa telepono | Isulat ang pangalan at termino | Mas mahina ang bisita kaysa interviewer |
| Remote interview o podcast, bawat track | Hiwalay na lossless track bawat speaker | Hiwalay na WAV at mixed MP3 | Pumili ng mixed o bawat track | Sabayang pagsasalita sa mix |
| Meeting recording (Zoom, Teams, Meet) | Audio option ng platform kung mayroon | MP4 o M4A | Kunin lamang ang audio kung napakalaki ng video | Isang laptop mic para sa buong silid |
| Voice memo sa telepono | Default ng app | .m4a | I-export ang orihinal | Telepono sa bulsa habang nagre-record |
| Nailabas na podcast | Hindi naaangkop | Inilabas na MP3 | Gamitin ang WAV o FLAC bago ilabas kung mayroon | Intro ng musika; itakda ang wika |
| Lecture o seminar | Mono, 16-bit, mic malapit sa lecturer | Mahabang MP3 o video | Suriin ang 10 oras na limitasyon | Tanong ng audience na malayo sa mic |
| Recording ng tawag | Default ng recorder | AMR, M4A, o 8 kHz WAV | Panatilihin ang orihinal na sample rate | Mga tuntunin sa pahintulot; huwag i-upsample |
Kunin ang kinakailangang pahintulot bago mag-record ng tawag. Tinatalakay ito ng paano mag-record ng tawag at mga batas sa pag-record ayon sa estado. Hindi ito legal na payo.
Paano mag-convert ng audio para sa transcription gamit ang FFmpeg
Mag-convert lamang kung may dahilan: napakalaki ng file, gusto ng mas magaang video upload, tinatanggihan ang codec, o gusto ng hiwalay na file bawat speaker. Hindi gumagana ang conversion para sa «kalidad».
Mga halimbawang command ang sumusunod; maaaring suriin ang codec, sample rate, at channel gamit ang ffprobe. Ipinaliwanag ang mga opsyon sa FFmpeg documentation.
1. Anumang file sa 16 kHz mono 16-bit WAV (kapareho ng internal na conversion ng Whisper):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. Anumang file sa 16 kHz mono FLAC (lossless at karaniwang mas maliit sa WAV):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. Video sa maliit na mono MP3 (nagdagdag ng isang lossy step; gamitin kapag mahalaga ang laki):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. Kunin ang audio mula sa video nang hindi muling nag-e-encode (gumagana kapag AAC ang audio, karaniwan sa MP4):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. Hatiin ang dalawang-channel na recording sa isang file bawat speaker (ginagamit ang channelsplit filter):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| Opsyon | Ginagawa |
|---|---|
-ac 1 |
Hinahalo ang audio sa isang channel |
-ar 16000 |
Itinatakda ang output sample rate sa 16,000 Hz |
-c:a pcm_s16le |
Nagsusulat ng 16-bit uncompressed PCM (standard WAV) |
-vn |
Inaalis ang video stream |
-c:a copy |
Kinokopya ang audio nang walang pagbabago sa kalidad |
-b:a 64k |
Itinatakda ang lossy bitrate |
Piliin ang command 4 sa halip na 3 kapag AAC na ang audio ng video dahil pinananatili nito ang orihinal na kalidad. Para sa 8 kHz telephone audio, alisin ang -ar 16000 upang hindi i-upsample.
Walang command line? Kinukuha ng audio at video to MP3 converter ng whispertranscribe.ai ang audio track mula MP4, MOV, MKV, WEBM, o AVI sa browser. Sinasabi ng pahina na gumagamit ito ng WebAssembly at pinoproseso ang file sa browser, hindi ina-upload.
Malalaking file: pananatili sa loob ng 5GB at 10 oras
- Masyadong malaki ngunit wala pang 10 oras: karaniwang video o high-resolution na WAV. Kunin ang audio (command 4 o browser converter) o gawing FLAC ang WAV (command 2).
- Mas mahaba sa 10 oras: sinasabi ng upload page na hanggang 10 oras lamang at dapat paikliin ang file. Hatiin ito. Maaaring ilapat sa WAV ang no-re-encode split command sa MP3 to text guide. Suriin ang pinagdugtungan kapag pinagsasama ang text.
- Mabagal na koneksyon: isang oras ng 64 kbps MP3 ay mga 28.8 MB, kumpara sa 635 MB para sa CD-style stereo WAV. Panatilihin ang lossless na orihinal bilang archive.
Pag-troubleshoot ng mga problema sa audio format
| Problema | Malamang na sanhi | Subukan |
|---|---|---|
| «Walang nakitang audio. Maaaring sira ang file. Suriin at subukang muli.» (sa aming upload page) | Sirang file, video na walang tunog, o walang laman na audio track | I-play nang lokal; patakbuhin ang ffprobe sa itaas (walang output ay walang audio stream); muling i-export mula sa orihinal na app |
| Tinanggihan dahil masyadong mahaba | Lampas 10 oras | Hatiin sa mga bahaging 10 oras o mas maikli |
| Masyadong malaki ang file | Video o high-resolution, multichannel WAV | Kunin ang audio o gawing FLAC ang WAV |
| Hindi mabuksan o ma-upload ang WAV na lampas 4 GB | Limitasyon ng klasikong WAV | Muling i-export bilang RF64 o FLAC, o hatiin |
| Mas mahina ang isang speaker | Bawat tao ay nasa hiwalay na channel na may magkaibang level | Hatiin ang channel (command 5) at i-transcribe bawat file |
| Distorted at kumakaluskos na peak | Clipping habang nagre-record | Hindi maaayos; babaan ang input gain sa susunod |
| Mahina pa rin ang telephone audio matapos gawing 48 kHz | Walang impormasyong idinadagdag ang upsampling | I-upload ang orihinal; subukan ang «Noise / Low-Quality Audio/Video» kung mayroon |
Saan nababagay ang whispertranscribe.ai
Ang whispertranscribe.ai ay transcription tool na gumagamit ng Whisper models ng OpenAI at tumatakbo sa browser (walang app, API, o human proofreading). Nakalista sa libreng audio to text converter at ibang upload page ang MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG, at MPEG.
- Limitasyon: file hanggang 5GB at 10 oras.
- Mga wika: mahigit 130, na may «Noise / Low-Quality Audio/Video» sa marami.
- Accuracy: hanggang 99% sa malinaw na audio. Binabawasan ito ng ingay, layo, accent, at sabayang pagsasalita.
- Speaker: i-on ang Speaker Detection bago mag-transcribe.
- Export: DOCX, PDF, TXT, CSV, SRT, at VTT.
- Privacy: sinasabi ng privacy policy na binubura ang orihinal pagkatapos ng processing at iniingatan ang extracted MP3 sa default na 30 araw.
Para sa partikular na recording, tingnan ang MP3 file, voice memo, tawag, interview, at lecture at seminar. Subukan sa libreng pahinang walang account (nakalista roon ang limitasyon). Bayad na plan mula $9.99/buwan na sinisingil taun-taon (presyo). Ang iba ay nasa features page.
Mga madalas itanong
Ano ang pinakamahusay na audio format para sa transcription?
WAV o FLAC ang pinakamainam kapag kontrolado mo ang recording, ideal na mono sa 16 kHz o mas mataas na may 16-bit depth. Kung may compressed MP3, M4A, o Opus ka na, i-upload nang ganoon. Ang kalidad ng recording—malapit na mikropono, kaunting ingay, at walang clipping—ay karaniwang mas mahalaga kaysa format.
Mas mahusay ba ang WAV kaysa MP3 para sa transcription?
Ang WAV na na-record mula sa pinagmulan ay nagpapanatili ng mas maraming detalye kaysa MP3, at sinasabi ng Google na maaaring bawasan ng lossy codec ang accuracy. Madalas maliit ang pagkakaiba sa malinaw na salita at mas malaki sa maingay na recording. Ang WAV na ginawa mula sa MP3 ay hindi mas mahusay dahil nawala na ang itinapong detalye. Mag-record sa WAV o FLAC kung maaari at i-upload ang MP3 nang ganoon.
Anong sample rate ang dapat gamitin?
Gumamit ng 16 kHz o mas mataas. Inirerekomenda ng Google ang hindi bababa sa 16,000 Hz para sa speech recognition, at kino-convert ng Whisper ang lahat sa 16 kHz mono. Maayos at karaniwan ang 44.1 o 48 kHz. Huwag taasan ang mas mababang rate pagkatapos: i-upload ang 8 kHz na telephone recording sa 8 kHz dahil laki lamang ang nadaragdag, hindi impormasyon.
Dapat bang mono o stereo ang recording?
Mono kapag iisang mikropono ang ginagamit ng lahat. Hinahalo ng Whisper ang stereo sa mono, kaya dinodoble lamang ng stereo copy ng parehong boses ang laki. Panatilihin ang stereo o multitrack kapag hiwalay ang bawat speaker, tulad ng call recorder o isang mic bawat bisita. Ipinapayo ng Google ang magkahiwalay na transcription ng mga channel, na maaaring hatiin sa FFmpeg.
Gaano kalaki ang WAV bawat minuto?
Depende sa setting: i-multiply ang sample rate sa bytes bawat sample at bilang ng channel para sa bytes bawat segundo. Ang 16 kHz, 16-bit mono WAV ay 16,000 × 2 × 1 = 32,000 bytes bawat segundo, mga 1.92 MB bawat minuto o 115.2 MB bawat oras. Ang CD-style 44.1 kHz, 16-bit stereo ay mga 10.58 MB bawat minuto o 635 MB bawat oras.
Maaari ba akong mag-upload ng video sa halip na kunin ang audio?
Oo. Binabasa ng transcription tool ang audio track at binabalewala ang larawan, kaya ang MP4, MOV, MKV, o WEBM ay nagbibigay ng parehong transcript ng extracted audio nito. Dinadagdagan lamang ng video ang upload. Kunin ang audio kapag malapit sa size limit o mabagal ang koneksyon, halimbawa sa -vn -c:a copy ng FFmpeg na pinananatili ang orihinal na kalidad. Sa whispertranscribe.ai maaari mong i-upload ang video nang ganoon at i-export ang DOCX, TXT, SRT, o VTT.
May nakahandang recording? I-upload ito nang ganoon sa libreng audio to text converter ng whispertranscribe.ai: pumili sa mahigit 130 wika, i-on ang Speaker Detection, at i-download ang DOCX, TXT, SRT, o VTT. File hanggang 5GB at 10 oras.
Mga sanggunian
- 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)
