Uredništvo whispertranscribe.ai · Zadnje ažuriranje: studeni 2026. · 12 min čitanja
Najbolji format za transkripciju je zvuk bez gubitka, WAV (16-bitni PCM) ili FLAC, snimljen u monu na 16 kHz ili više kada kontrolirate snimanje. Ako već imate MP3, M4A ili video, prenesite ga kakav jest. Pretvaranje komprimirane datoteke ne vraća izgubljene detalje; udaljenost mikrofona i buka utječu više.
Slijedi što odabrati prije snimanja, što s dobivenom datotekom, formule veličine, postavke po scenarijima, FFmpeg naredbe i tablica rješenja.
Objava interesa. whispertranscribe.ai objavljuje vodič. Tehničke tvrdnje povezuju Google Cloud, otvoreni kod Whispera tvrtke OpenAI, FFmpeg ili Library of Congress. Nismo proveli testove točnosti i ništa ovdje ne obećava određeni postotak poboljšanja zbog formata.
Kratki odgovor: najbolji format za transkripciju
Birajte prema fazi rada, ne jednom „pobjedniku“.
| Situacija | Najbolji izbor | Zašto |
|---|---|---|
| Postavljate snimač ili aplikaciju | WAV (16-bitni) ili FLAC, mono, 16 kHz ili više | Google preporučuje FLAC ili LINEAR16 bez gubitka za prepoznavanje govora |
| Trebate male datoteke pri snimanju | Kodek s gubitkom prikladan za govor uz umjereni bitrate | Google preferira AMR-WB, Ogg Opus, Speex tim redom |
| Već imate MP3, M4A ili Opus | Prenesite original | Ponovno kodiranje ništa ne vraća |
| Imate video (MP4, MOV, MKV) | Prenesite ga; izdvojite zvuk ako je velik | Koristi se samo zvučni zapis |
| Govornici su na zasebnim zapisima | Sačuvajte zapise | Google preporučuje slanje svakog kanala zasebno kada svatko ima svoj |
Kada ne brinuti o formatu: glasovna bilješka telefona, objavljena epizoda podcasta ili snimka Zooma ili Teamsa. Prenesite je, odaberite jezik i provjerite imena.
Format, kodek i spremnik: što ekstenzija skriva
Ekstenzija označava spremnik, ne uvijek kompresiju. Googleov vodič za optimizaciju zvuka objašnjava da kodek i format nisu isto. Tri česta iznenađenja:
- WAV obično sadrži nekomprimirani linearni PCM, ali može sadržavati i druga kodiranja (Library of Congress, WAVE).
- M4A može sadržavati AAC s gubitkom ili Apple Lossless (ALAC) bez gubitka.
- OGG je spremnik koji obično sadržava Opus ili Vorbis, oba s gubitkom.
Da biste vidjeli sadržaj, zatražite od FFmpegova ffprobe samo zvučne tokove:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
Naredba ispisuje redak po zvučnom toku; izostanak ispisa može ukazati na datoteku bez zvuka prije prijenosa.
Usporedba zvučnih formata za transkripciju
Svaki format može se transkribirati. Razlikuju se sačuvani detalji i veličina. Veličine dolaze iz formula u sljedećem odjeljku (1 MB = 1,000,000 bajtova).
| Format | S gubitkom ili bez | Uobičajeni izvor | Veličina po minuti (primjer) | Utjecaj na transkripciju | Što učiniti |
|---|---|---|---|---|---|
| WAV (PCM) | Nekomprimiran | Terenski snimači, uređivači | 1.92 MB na 16 kHz, 16-bit, mono; 10.58 MB na 44.1 kHz, 16-bit, stereo | Čuva sve što je mikrofon uhvatio | Najbolji original; pazite na veličinu dugih snimki |
| FLAC | Bez gubitka (komprimiran) | Arhivi, izvoz uređivača | Manji od istog WAV-a; ušteda varira | Isti zvuk kao WAV | Koristite umjesto WAV-a radi uštede |
| AIFF / ALAC / CAF | AIFF obično nekomprimiran; ALAC bez gubitka; CAF može oba | Mac i iPhone aplikacije | AIFF: kao WAV uz iste postavke | Ovisi o kodeku | Prenesite kakav jest |
| MP3 | S gubitkom | Podcasti, preuzimanja | 0.96 MB na 128 kbps | Google: kodeci s gubitkom mogu smanjiti točnost | Prenesite kakav jest |
| M4A / AAC | Obično s gubitkom (AAC) | Glasovne bilješke, zvuk videa | 0.48 MB na 64 kbps | Isti oprez kao MP3 | Prenesite original |
| OGG / Opus | S gubitkom | Glasovne poruke, mrežni pozivi | 0.24 MB na 32 kbps | Opus je među Googleovim poželjnim kodecima s gubitkom za govor | Prenesite kakav jest |
| AMR (uskopojasni) | S gubitkom, samo govor | Stari telefoni i snimači poziva | Oko 0.09 MB na 12.2 kbps | Prenosi samo 200 do 3,400 Hz (Library of Congress, AMR) | Prenesite kakav jest; ne povećavajte uzorkovanje |
Video radi jednako: alat čita zvuk, a dodatni trošak je veća datoteka za prijenos.
Kolika je zvučna datoteka? Formule
Dvije formule omogućuju procjenu veličine prije snimanja ili prijenosa.
Nekomprimirani PCM (WAV, AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels
Primjeri:
- 16 kHz, 16-bit, mono: 16,000 × 2 × 1 = 32,000 bajtova u sekundi. × 60 = 1,920,000 bajtova, oko 1.92 MB po minuti ili 115.2 MB po satu.
- 44.1 kHz, 16-bit, stereo: 44,100 × 2 × 2 = 176,400 bajtova u sekundi, oko 10.58 MB po minuti ili 635 MB po satu.
- 48 kHz, 24-bit, stereo: 48,000 × 3 × 2 = 288,000 bajtova u sekundi ili 1,036.8 MB po satu.
S gubitkom pri stalnom bitrateu (MP3, AAC, Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (odnosno kbps × 7,500)
- 128 kbps: 128 × 7,500 = 960,000 bajtova, oko 0.96 MB po minuti ili 57.6 MB po satu.
- 64 kbps: 0.48 MB po minuti; 32 kbps: 0.24 MB po minuti.
Stvarne su datoteke nešto veće zbog zaglavlja, a varijabilni bitrate odstupa oko prosjeka. Računala koja prikazuju binarne jedinice (MiB) daju oko 5% manje brojke.
Što brojke znače za limit od 5GB i 10 sati
whispertranscribe.ai prihvaća do 5GB i 10 sati. Evo kako stanu uobičajene postavke ako 5GB znači 5,000,000,000 bajtova:
| Postavka | 1 sat | 10 sati | Stane li 10 sati u 5GB? |
|---|---|---|---|
| WAV, 16 kHz, 16-bit, mono | 115.2 MB | 1.15 GB | Da |
| WAV, 44.1 kHz, 16-bit, stereo | 635 MB | 6.35 GB | Ne: stane oko 7.9 sati |
| WAV, 48 kHz, 24-bit, stereo | 1.04 GB | 10.37 GB | Ne: stane oko 4.8 sati |
| MP3, 128 kbps | 57.6 MB | 576 MB | Da |
| Opus, 32 kbps | 14.4 MB | 144 MB | Da |
Klasični WAV ima vlastitu granicu: 32-bitno polje veličine ograničava ga na oko 4 GB, a dulje snimke trebaju RF64 (Library of Congress). Za vrlo duge snimke bez gubitka FLAC ili 16 kHz mono WAV izbjegavaju oba problema.
Što je važnije od zvučnog formata
Jasan glas blizu mikrofona spremljen kao MP3 obično je bolji od datoteke bez gubitka snimljene preko bučne sobe. Sljedeće postavke i navike najviše utječu na rezultat.
Frekvencija uzorkovanja: je li 16 kHz dovoljno?
Da, za govor. Google preporučuje 16,000 Hz ili više (najbolje prakse); vodič objašnjava da niže frekvencije ostavljaju malo ili nimalo informacija iznad 8 kHz. OpenAI-jev otvoreni Whisper kod pretvara svaki ulaz na 16,000 Hz mono prije obrade (whisper/audio.py). Snimanje na 44.1 ili 48 kHz je u redu, ali veće.
Naknadno povećanje ne pomaže: Google navodi da datoteka od 8 kHz podignuta na 44.1 kHz i dalje sadrži samo oko 4 kHz raspona. Telefonski zvuk, često 8,000 Hz, prenesite na izvornoj frekvenciji.
Dubina bita: 16 ili 24 bita?
Google preporučuje najmanje 16 bita i navodi da pretvaranje 8-bitnog u 16-bitni ne dodaje ništa jer je dinamički raspon određen snimanjem. Zadržavanje 24-bitnog zapisa ne šteti; pretvaranje 16 u 24 ne dodaje ništa.
Bitrate komprimiranih datoteka
Nema standardnog bitratea koji jamči dobru transkripciju. Google govori o vrsti kodeka: kodeci s gubitkom mogu smanjiti točnost, a buka i odjek više štete pri takvoj kompresiji. Ako morate komprimirati, učinite to jednom umjereno i izbjegavajte niz WAV u MP3 u OGG.
Udaljenost mikrofona, buka i razine
Prema Googleovim savjetima za predobradu:
- Stavite mikrofon što bliže govorniku, osobito uz pozadinsku buku.
- Izbjegnite odrezane vrhove. Izobličenje se ne može poslije popraviti.
- Isključite automatsku kontrolu pojačanja i smanjenje buke ako aplikacija dopušta. Google kaže da smanjenje buke prije prepoznavanja obično smanjuje točnost.
Mono ili stereo?
Za zajednički mikrofon dovoljan je mono. Whisper ionako miješa stereo u mono, pa isti glas na obje strane samo udvostručuje prijenos. Zadržite stereo kada je svaka osoba na drugom kanalu, kao kod mnogih snimača poziva ili mikrofona po kanalu. Google tada savjetuje slanje svakog kanala zasebno, a miješane snimke kakva jest.
Višekanalne snimke
Alati za podcaste i udaljene intervjue često snimaju svaku osobu na zasebnu stazu. Izvezite jednu miješanu i uključite oznake govornika (najjednostavnije), ili transkribirajte svaku zasebno i spojite tekstove po vremenu (čišći zvuk, ali sami spajate).
Preporučeni format i postavke prema scenariju
Češće već imate datoteku, a odgovor je obično „prenesite je“.
| Scenarij | Snimajte kao (ako birate) | Ako već imate | Prije prijenosa | Pripazite na |
|---|---|---|---|---|
| Intervju uživo | WAV ili FLAC, mono po mikrofonu, 44.1 ili 48 kHz | M4A ili MP3 telefona | Zapišite imena i termine | Gost tiši od ispitivača |
| Udaljeni intervju ili podcast, po stazi | Zasebna staza bez gubitka po govorniku | Zasebni WAV i miješani MP3 | Odaberite miješano ili po stazi | Preklapanje govora u miksu |
| Snimka sastanka (Zoom, Teams, Meet) | Audio opcija platforme ako postoji | MP4 ili M4A | Izdvojite zvuk samo ako je video velik | Jedan mikrofon prijenosnika za cijelu sobu |
| Glasovna bilješka telefona | Zadana postavka aplikacije | .m4a | Izvezite original | Telefon u džepu tijekom snimanja |
| Objavljena epizoda podcasta | Nije primjenjivo | Objavljeni MP3 | Koristite WAV ili FLAC prije objave ako ga imate | Glazbeni uvod; postavite jezik |
| Predavanje ili seminar | Mono, 16-bit, mikrofon blizu predavača | Dugi MP3 ili video | Provjerite trajanje prema 10 sati | Pitanja publike daleko od mikrofona |
| Snimka telefonskog poziva | Zadana postavka snimača | AMR, M4A ili 8 kHz WAV | Sačuvajte izvornu frekvenciju | Pravila pristanka; ne povećavajte uzorkovanje |
Prije snimanja poziva pribavite potreban pristanak. Vodiči kako snimiti telefonski poziv i zakoni po saveznim državama obrađuju temu. Ovo nije pravni savjet.
Kako pretvoriti zvuk za transkripciju FFmpegom
Pretvarajte samo s razlogom: datoteka je prevelika, želite lakši prijenos videa, alat odbija kodek ili želite govornike u odvojenim datotekama. Pretvaranje radi „kvalitete“ ne pomaže.
Slijede primjeri naredbi; kodek, frekvenciju i kanale možete provjeriti s ffprobe. Opcije objašnjava FFmpeg dokumentacija.
1. Bilo koja datoteka u 16 kHz mono 16-bitni WAV (isti oblik u koji Whisper interno pretvara):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. Bilo koja datoteka u 16 kHz mono FLAC (bez gubitka i obično manji od WAV-a):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. Video u mali mono MP3 (dodaje korak s gubitkom; koristite kada je veličina najvažnija):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. Izdvojite zvuk iz videa bez ponovnog kodiranja (radi kad je zvuk AAC, čest u MP4-u):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. Podijelite dvokanalnu snimku u datoteku po govorniku (koristi filtar channelsplit):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| Opcija | Što radi |
|---|---|
-ac 1 |
Miješa zvuk u jedan kanal |
-ar 16000 |
Postavlja izlaznu frekvenciju na 16,000 Hz |
-c:a pcm_s16le |
Piše 16-bitni nekomprimirani PCM (standardni WAV) |
-vn |
Uklanja videotok |
-c:a copy |
Kopira zvuk bez promjene kvalitete |
-b:a 64k |
Postavlja bitrate s gubitkom |
Prednost dajte naredbi 4 pred 3 kada je zvuk videa već AAC jer čuva kvalitetu. Za telefonski zvuk od 8 kHz izostavite -ar 16000 kako ne biste povećavali uzorkovanje.
Bez naredbenog retka? Pretvarač zvuka i videa u MP3 usluge whispertranscribe.ai izdvaja zvuk iz MP4, MOV, MKV, WEBM ili AVI u pregledniku. Stranica navodi WebAssembly i obradu u pregledniku bez prijenosa.
Velike datoteke: unutar 5GB i 10 sati
- Prevelika, ali kraća od 10 sati: obično video ili WAV visoke rezolucije. Izdvojite zvuk (naredba 4 ili preglednik) ili pretvorite WAV u FLAC (naredba 2).
- Dulja od 10 sati: stranica za prijenos navodi da obrađuje do 10 sati i traži skraćivanje. Podijelite datoteku. Naredba bez ponovnog kodiranja iz vodiča MP3 u tekst može se primijeniti i na WAV. Provjerite spojeve pri spajanju teksta.
- Spora veza: sat MP3-a na 64 kbps oko 28.8 MB, nasuprot 635 MB za stereo WAV CD kvalitete. Original bez gubitka čuvajte u arhivi.
Rješavanje problema sa zvučnim formatom
| Problem | Vjerojatan uzrok | Što pokušati |
|---|---|---|
| „Zvuk nije otkriven. Datoteka je možda oštećena. Provjerite je i pokušajte ponovno.“ (na našim stranicama) | Oštećena datoteka, video bez zvuka ili prazna staza | Reproducirajte lokalno; pokrenite gornju ffprobe provjeru (nema ispisa znači nema zvučnog toka); ponovno izvezite iz originalne aplikacije |
| Prijenos odbijen zbog trajanja | Više od 10 sati | Podijelite na dijelove do 10 sati |
| Prevelika datoteka | Video ili višekanalni WAV visoke rezolucije | Izdvojite zvuk ili pretvorite WAV u FLAC |
| WAV veći od 4 GB ne otvara se ili prenosi | Limit klasičnog WAV-a | Izvezite kao RF64 ili FLAC ili podijelite |
| Jedan govornik mnogo tiši | Svaka osoba na zasebnom kanalu različite razine | Podijelite kanale (naredba 5) i transkribirajte svaki |
| Izobličeni, pucketavi vrhovi | Odrezan signal tijekom snimanja | Ne može se popraviti; sljedeći put smanjite ulazno pojačanje |
| Telefonski zvuk i dalje loš nakon pretvorbe na 48 kHz | Povećanje uzorkovanja ne dodaje informacije | Prenesite original; pokušajte „Noise / Low-Quality Audio/Video“ gdje je dostupno |
Gdje se uklapa whispertranscribe.ai
whispertranscribe.ai je alat temeljen na OpenAI Whisper modelima koji radi u pregledniku (bez aplikacije, API-ja ili ljudske lekture). Besplatni pretvarač zvuka u tekst i druge stranice navode MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG i MPEG.
- Limiti: datoteke do 5GB i 10 sati.
- Jezici: više od 130, s opcijama „Noise / Low-Quality Audio/Video“ za mnoge.
- Točnost: do 99% na čistom zvuku. Buka, udaljenost, naglasci i preklapanje je smanjuju.
- Govornici: uključite Speaker Detection prije transkripcije.
- Izvoz: DOCX, PDF, TXT, CSV, SRT i VTT.
- Privatnost: pravila privatnosti navode brisanje originala nakon obrade i čuvanje izdvojenog MP3-a 30 dana po zadanom.
Za određene snimke pogledajte MP3 datoteke, glasovne bilješke, telefonske pozive, intervjue i predavanja i seminare. Isprobajte na besplatnoj stranici bez računa (limiti su navedeni). Plaćeni planovi od $9.99/mjesečno uz godišnju naplatu (cijene). Ostalo je na stranici funkcija.
Česta pitanja
Koji je najbolji zvučni format za transkripciju?
WAV ili FLAC najbolji je kada kontrolirate snimanje, idealno mono na 16 kHz ili više i 16 bita. Ako već imate komprimirani MP3, M4A ili Opus, prenesite ga kakav jest. Kvaliteta snimanja — blizak mikrofon, malo buke i bez odrezivanja — obično je važnija od izbora formata.
Je li WAV bolji od MP3-a za transkripciju?
WAV snimljen iz izvora čuva više detalja od MP3-a, a Google navodi da kodeci s gubitkom mogu smanjiti točnost. Razlika je često mala kod jasnog govora, veća kod buke. WAV stvoren iz postojećeg MP3-a nije bolji jer su odbačeni detalji nestali. Snimajte u WAV ili FLAC kad možete, a MP3 prenesite kakav jest.
Koju frekvenciju uzorkovanja koristiti?
Koristite 16 kHz ili više. Google preporučuje najmanje 16,000 Hz za govor, a OpenAI Whisper pretvara sve na 16 kHz mono. Snimanje na 44.1 ili 48 kHz uobičajeno je i dobro. Ne povećavajte nižu frekvenciju naknadno: telefonsku snimku od 8 kHz prenesite na 8 kHz jer povećanje dodaje veličinu, ali ne informacije.
Snimati mono ili stereo?
Snimajte mono kada svi dijele mikrofon. Whisper miješa stereo u mono, pa stereo kopija istog glasa samo udvostručuje veličinu. Zadržite stereo ili više staza kada je svaki govornik na zasebnom kanalu, kao kod snimača poziva ili mikrofona po gostu. Google preporučuje zasebnu transkripciju kanala koje možete podijeliti FFmpegom.
Koliko WAV zauzima po minuti?
Ovisi o postavkama: pomnožite frekvenciju uzorkovanja s bajtovima po uzorku i kanalima za bajtove u sekundi. WAV 16 kHz, 16-bit mono je 16,000 × 2 × 1 = 32,000 bajtova u sekundi, oko 1.92 MB po minuti ili 115.2 MB po satu. Stereo CD kvalitete 44.1 kHz, 16-bit oko je 10.58 MB po minuti ili 635 MB po satu.
Mogu li prenijeti video umjesto izdvajanja zvuka?
Da. Alati čitaju zvučni zapis i zanemaruju sliku, pa MP4, MOV, MKV ili WEBM daje isti prijepis kao izdvojeni zvuk. Video samo povećava prijenos. Izdvojite zvuk blizu limita ili uz sporu vezu, primjerice FFmpegovim -vn -c:a copy koji čuva izvornu kvalitetu. U whispertranscribe.ai možete prenijeti video kakav jest i izvesti DOCX, TXT, SRT ili VTT.
Imate snimku? Prenesite je kakva jest u besplatni pretvarač zvuka u tekst usluge whispertranscribe.ai: odaberite jedan od više od 130 jezika, uključite Speaker Detection i preuzmite DOCX, TXT, SRT ili VTT. Datoteke do 5GB i 10 sati.
Izvori
- 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)
