A whispertranscribe.ai szerkesztősége · Frissítve: 2026. november · 12 perc olvasás
Ha te állítod be a felvételt, átíráshoz a legjobb a veszteségmentes WAV (16 bites PCM) vagy FLAC, monóban, legalább 16 kHz-en rögzítve. Ha már van MP3-, M4A- vagy videófájlod, töltsd fel változatlanul. A tömörített fájl átalakítása nem hozza vissza az elveszett részleteket, és a mikrofon távolsága meg a zaj jobban befolyásolja az eredményt.
Alább megnézzük a felvétel előtti választást, a kapott fájl kezelését, a méretképleteket, a helyzetenkénti beállításokat, az FFmpeg-parancsokat és a hibajavítást.
Tájékoztatás. Az útmutatót a whispertranscribe.ai adja ki. A műszaki állítások Google Cloud-, OpenAI Whisper-kód-, FFmpeg- vagy Library of Congress-forrásra hivatkoznak. Ehhez a cikkhez nem végeztünk pontossági tesztet, és nem ígérjük, hogy egy formátum meghatározott százalékkal javítja a pontosságot.
Rövid válasz: a legjobb hangformátum átíráshoz
A munkafolyamatod helyzete alapján válassz, ne egyetlen „győztest”.
| Helyzet | Legjobb választás | Miért? |
|---|---|---|
| Felvevőt vagy alkalmazást állítasz be | WAV (16 bit) vagy FLAC, monó, legalább 16 kHz | A Google veszteségmentes FLAC-ot vagy LINEAR16-ot ajánl beszédfelismeréshez |
| Felvételkor kis fájl kell | Beszédhez alkalmas veszteséges kodek mérsékelt bitrátán | A Google által preferált veszteséges kodekek sorrendben: AMR-WB, Ogg Opus, Speex |
| Már van MP3-, M4A- vagy Opus-fájlod | Töltsd fel az eredetit | Az újrakódolás nem állít vissza részleteket |
| Videód van (MP4, MOV, MKV) | Töltsd fel; ha túl nagy, nyerd ki a hangot | Csak a hangsávot használja |
| A beszélők külön sávon vannak | Tartsd meg a sávokat | A Google külön csatornaküldést javasol, ha minden személynek saját csatornája van |
Amikor nem kell a formátumon aggódni: telefonos hangjegyzet, közzétett podcast vagy Zoom-, illetve Teams-felvétel esetén. Töltsd fel, válaszd ki a beszélt nyelvet, és inkább a neveket ellenőrizd.
Formátum, kodek és konténer: mit rejt a kiterjesztés?
A kiterjesztés a konténert jelöli, nem mindig a tömörítést. A Google hangoptimalizálási útmutatója szerint a kodek és a fájlformátum nem ugyanaz. Három példa:
- WAV: többnyire tömörítetlen lineáris PCM, de más kódolást is tartalmazhat (Library of Congress, WAVE).
- M4A: veszteséges AAC-t vagy veszteségmentes Apple Lossless (ALAC) hangot tartalmazhat.
- OGG: általában Opus vagy Vorbis kodeket tartalmazó konténer; mindkettő veszteséges.
A tényleges tartalom megtekintéséhez kérd le az FFmpeg ffprobe eszközével csak a hangfolyamokat:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
A parancs hangfolyamonként egy sort adhat; ha nincs kimenet, hiányozhat a hangsáv. Nem állítjuk, hogy ezt a tesztet itt elvégeztük.
Hangformátumok összehasonlítása átíráshoz
Az alábbi formátumok mind átírhatók. A megőrzött részletek és a fájlméret különbözik. Az értékek a következő szakasz képleteiből származnak (1 MB = 1.000.000 bájt).
| Formátum | Veszteséges vagy veszteségmentes | Gyakori forrás | Méret percenként (példabeállítás) | Hatás az átírásra | Teendő |
|---|---|---|---|---|---|
| WAV (PCM) | Tömörítetlen | Terepi felvevő, hangszerkesztő | 1.92 MB 16 kHz, 16 bit, monó; 10.58 MB 44.1 kHz, 16 bit, sztereó esetén | Megőrzi a mikrofon által rögzített hangot | Jó mesterfájl; hosszú felvételnél figyeld a méretet |
| FLAC | Veszteségmentes, tömörített | Archívum, szerkesztőexport | Kisebb az azonos WAV-nál; a megtakarítás változó | Ugyanaz a hang, mint a WAV-ban | Helytakarékosan WAV helyett |
| AIFF / ALAC / CAF | AIFF többnyire tömörítetlen; ALAC veszteségmentes; CAF mindkettőt tartalmazhatja | Mac- és iPhone-alkalmazások | AIFF: azonos beállítással mint WAV | A belső kodektől függ | Töltsd fel változatlanul |
| MP3 | Veszteséges | Podcastok, letöltések | 0.96 MB 128 kbps-nál | Google: a veszteséges kodek csökkentheti a pontosságot | Töltsd fel változatlanul |
| M4A / AAC | Többnyire veszteséges (AAC) | Hangjegyzetek, videóhang | 0.48 MB 64 kbps-nál | Ugyanaz a figyelmeztetés, mint MP3-nál | Az eredetit töltsd fel |
| OGG / Opus | Veszteséges | Hangüzenetek, webhívások | 0.24 MB 32 kbps-nál | Az Opus a Google beszédhez ajánlott veszteséges kodekjei között van | Töltsd fel változatlanul |
| AMR (keskeny sávú) | Veszteséges, csak beszéd | Régi telefonok és hívásrögzítők | Kb. 0.09 MB 12.2 kbps-nál | Csak 200–3.400 Hz-et tartalmaz (Library of Congress, AMR) | Töltsd fel eredetiben; ne mintavételezd fel |
A videófájloknál is a hangsávot olvassa az eszköz; a többlet csak a feltöltés mérete.
Mekkora egy hangfájl? Képletek
Két képlettel becsülhető a méret felvétel vagy feltöltés előtt.
Tömörítetlen PCM (WAV, AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels
Példák:
- 16 kHz, 16 bit, monó: 16.000 × 2 × 1 = 32.000 bájt másodpercenként. × 60 = 1.920.000 bájt, kb. 1.92 MB percenként, vagy 115.2 MB óránként.
- 44.1 kHz, 16 bit, sztereó: 44.100 × 2 × 2 = 176.400 bájt másodpercenként, kb. 10.58 MB percenként, vagy 635 MB óránként.
- 48 kHz, 24 bit, sztereó: 48.000 × 3 × 2 = 288.000 bájt másodpercenként, vagy 1.036,8 MB óránként.
Veszteséges, állandó bitrátával (MP3, AAC, Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (azaz kbps × 7.500)
- 128 kbps: 128 × 7.500 = 960.000 bájt, kb. 0.96 MB percenként, vagy 57.6 MB óránként.
- 64 kbps: 0.48 MB percenként; 32 kbps: 0.24 MB percenként.
A tényleges fájlok a fejlécek miatt kissé nagyobbak, a változó bitrátájúak az átlag körül ingadoznak. A bináris egységeket (MiB) mutató gépek kb. 5%-kal kisebb számot jeleznek.
Mit jelentenek a számok 5 GB-os és 10 órás feltöltési határnál?
A whispertranscribe.ai legfeljebb 5 GB-os és 10 órás fájlokat fogad. Az alábbi táblázat 5.000.000.000 bájtos 5 GB-tal számol:
| Beállítás | 1 óra | 10 óra | Belefér 10 óra 5 GB alá? |
|---|---|---|---|
| WAV, 16 kHz, 16 bit, monó | 115.2 MB | 1.15 GB | Igen |
| WAV, 44.1 kHz, 16 bit, sztereó | 635 MB | 6.35 GB | Nem: kb. 7.9 óra fér bele |
| WAV, 48 kHz, 24 bit, sztereó | 1.04 GB | 10.37 GB | Nem: kb. 4.8 óra fér bele |
| MP3, 128 kbps | 57.6 MB | 576 MB | Igen |
| Opus, 32 kbps | 14.4 MB | 144 MB | Igen |
A klasszikus WAV-nak saját korlátja is van: 32 bites méretmezője kb. 4 GB-ot enged, hosszabb felvételhez RF64 kiterjesztés kell (Library of Congress). Nagyon hosszú veszteségmentes felvételnél a FLAC vagy a 16 kHz monó WAV mindkét problémát elkerüli.
Mi számít többet a hangformátumnál?
Egy mikrofonhoz közeli, tiszta MP3-beszéd rendszerint jobb egy zajos szoba túlsó végéből rögzített veszteségmentes fájlnál. A következő beállítások és szokások határozzák meg a legtöbb eredményt.
Mintavételi frekvencia: elég a 16 kHz?
Beszédhez igen. A Google legalább 16.000 Hz-et ajánl (bevált gyakorlatok); útmutatója szerint alacsonyabb értéknél 8 kHz felett alig vagy egyáltalán nincs információ. Az OpenAI nyílt Whisper-kódja minden bemenetet 16.000 Hz monóvá alakít a modell előtt (whisper/audio.py). A 44.1 vagy 48 kHz-es felvétel rendben van, csak nagyobb.
A frekvencia utólagos növelése nem segít: a Google szerint 8 kHz-ről 44.1 kHz-re felmintavételezve is csak kb. 4 kHz frekvenciatartomány marad. A gyakran 8.000 Hz-es telefonhangot eredeti frekvencián töltsd fel.
Bitmélység: 16 vagy 24 bit?
A Google legalább 16 bitet ajánl, és a 8 bites hang 16 bitessé alakítása nem ad többet, mert a dinamikatartományt a felvétel meghatározta. A felvevő 24 bites eredetije megtartható; 16-ról 24 bitre alakítani nem ad új adatot.
Tömörített fájlok bitrátája
Nincs olyan szabványos bitráta, amely jó átírást garantál. A Google a kodektípusról ír: a veszteséges kodekek ronthatják a pontosságot, és a zaj vagy visszhang ilyenkor jobban árt. Ha tömörítened kell, egyszer tedd mérsékelt beállítással, és kerüld a WAV–MP3–OGG láncokat.
Mikrofontávolság, zaj és jelszint
A Google előfeldolgozási tanácsai alapján:
- Tedd a mikrofont ésszerűen a lehető legközelebb a beszélőhöz, különösen zajban.
- Kerüld a clippinget. A torz csúcsok később nem javíthatók.
- Kapcsold ki az automatikus erősítésszabályzást és zajcsökkentést, ha az alkalmazás engedi. A Google szerint a felismerés előtti zajcsökkentés jellemzően rontja a pontosságot.
Monó vagy sztereó?
Egy közös mikrofonhoz elég a monó. A Whisper a sztereót úgyis monóra keveri, ezért ugyanaz a hang két oldalon csak duplázza a feltöltést. Tartsd meg a sztereót, ha mindkét oldal más személyt tartalmaz, mint egyes hívásrögzítők vagy csatornánkénti csíptetős mikrofonok esetén. A Google ilyenkor külön csatornaküldést, már összekevert felvételnél pedig az eredeti használatát ajánlja.
Többsávos felvételek
Podcast- és távoli interjúeszközök gyakran külön sávon rögzítik az embereket. Exportálhatsz egy kevert sávot beszélőcímkékkel (egyszerűbb), vagy külön átírhatod a sávokat és időbélyeg alapján összefűzheted a szöveget (tisztább hang, de az összefűzés a te feladatod).
Ajánlott formátum és beállítás helyzetenként
A gyakoribb helyzet, hogy már van fájlod; a válasz rendszerint a feltöltés.
| Helyzet | Így rögzíts, ha választhatsz | Ha már van | Feltöltés előtt | Figyelj erre |
|---|---|---|---|---|
| Személyes interjú | WAV vagy FLAC, mikrofononként monó, 44.1 vagy 48 kHz | M4A vagy MP3 telefonról | Jegyezd fel a neveket és kifejezéseket | A vendég halkabb lehet az interjúztatónál |
| Távoli interjú vagy podcast, külön sávok | Beszélőnként saját veszteségmentes sáv | Külön WAV-ok és kevert MP3 | Válassz kevert vagy külön sávot | Átfedő beszéd a keverésben |
| Értekezlet (Zoom, Teams, Meet) | A platform hangopciója, ha van | MP4 vagy M4A | Csak nagy videónál nyerd ki a hangot | Egy laptopmikrofon az egész teremhez |
| Telefonos hangjegyzet | Az alkalmazás alapbeállítása | .m4a | Az eredetit exportáld | Telefon a zsebben felvételkor |
| Közzétett podcast | Nem alkalmazható | A megjelent MP3 | Ha megvan, használd a közzététel előtti WAV-ot vagy FLAC-ot | Zenei bevezető; válaszd ki a nyelvet |
| Előadás vagy szeminárium | Monó, 16 bit, mikrofon az előadó közelében | Hosszú MP3 vagy videó | Ellenőrizd a 10 órás korlátot | Közönségkérdések mikrofontól távol |
| Telefonhívás felvétele | A felvevő alapbeállítása | AMR, M4A vagy 8 kHz WAV | Tartsd meg az eredeti mintavételt | Hozzájárulási szabályok; ne mintavételezd fel |
Felvétel előtt szerezd meg a szükséges hozzájárulást és a szervező engedélyét, és tartsd be a tilalmakat. A telefonhívás rögzítése és az amerikai államok hívásrögzítési szabályai további információkat adnak. Ez nem jogi tanácsadás.
Hang konvertálása átíráshoz FFmpeg segítségével
Csak indokkal alakíts át: túl nagy a fájl, kisebb videófeltöltést szeretnél, az eszköz elutasítja a kodeket, vagy külön fájl kell a beszélőknek. Az átalakítás nem állítja helyre az elveszett minőséget.
A következő parancsok példák; nem állítjuk, hogy itt teszteltük őket. Az ffprobe segítségével ellenőrizheted a kodeket, mintavételi frekvenciát és csatornákat. A beállításokat az FFmpeg dokumentációja ismerteti.
1. Fájl 16 kHz-es monó 16 bites WAV-vá (a Whisper belső átalakításának megfelelő forma):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. Fájl 16 kHz-es monó FLAC-ká (veszteségmentes és többnyire kisebb a WAV-nál):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. Videó kis monó MP3-má (egy veszteséges lépést ad hozzá; akkor használd, ha a méret a legfontosabb):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. Hang kinyerése videóból újrakódolás nélkül (AAC hanggal működik, amely gyakori MP4-ben):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. Kétcsatornás felvétel szétválasztása beszélőnként (a channelsplit szűrőt használja):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| Kapcsoló | Feladata |
|---|---|
-ac 1 |
Egy csatornára keveri a hangot |
-ar 16000 |
A kimenet mintavételét 16.000 Hz-re állítja |
-c:a pcm_s16le |
16 bites tömörítetlen PCM-et ír (szabványos WAV) |
-vn |
Elhagyja a videófolyamot |
-c:a copy |
Változatlanul, minőségváltozás nélkül másolja a hangot |
-b:a 64k |
Beállítja a veszteséges bitrátát |
Ha a videó hangja már AAC, a 4. parancsot válaszd a 3. helyett az eredeti minőség megőrzéséhez. 8 kHz-es telefonhangnál hagyd el az -ar 16000 kapcsolót a felmintavételezés elkerüléséhez.
Nem használsz parancssort? A whispertranscribe.ai hang- és videó–MP3 konvertere MP4, MOV, MKV, WEBM vagy AVI fájlból böngészőben nyeri ki a hangot. Az oldal szerint WebAssembly-t használ, és a fájlok a böngészőben dolgozódnak fel feltöltés nélkül.
Nagy fájlok: maradj 5 GB és 10 óra alatt
- Túl nagy, de 10 óránál rövidebb: rendszerint videó vagy nagy felbontású WAV. Nyerj ki hangot (4. parancs vagy böngészős konverter), vagy alakítsd FLAC-ká a WAV-ot (2. parancs).
- 10 óránál hosszabb: a feltöltőoldal ezt írja: „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.” Oszd fel. Az MP3–szöveg útmutató újrakódolás nélküli daraboló parancsa WAV-val is használható. Összefűzéskor ellenőrizd az illesztéseket.
- Lassú kapcsolat: egy óra 64 kbps MP3 kb. 28.8 MB, míg CD-szintű sztereó WAV 635 MB. A veszteségmentes eredetit őrizd meg archívumban.
Hangformátum-problémák elhárítása
| Probléma | Valószínű ok | Mit próbálj? |
|---|---|---|
| „No audio detected. The file may be corrupted. Please check the file and try again.” (a feltöltőoldal üzenete) | Sérült fájl, hang nélkül exportált videó vagy üres hangsáv | Játszd le helyben; futtasd a fenti ffprobe ellenőrzést (kimenet nélkül nincs hangfolyam); exportáld újra az eredeti alkalmazásból |
| A feltöltést túl hosszúnak jelzi | 10 óránál hosszabb fájl | Oszd legfeljebb 10 órás részekre |
| Túl nagy fájl | Videó vagy nagy felbontású többcsatornás WAV | Nyerj ki hangot, vagy alakítsd FLAC-ká |
| A 4 GB feletti WAV nem nyílik meg vagy töltődik fel | Klasszikus WAV-méretkorlát | Exportáld RF64 vagy FLAC formátumba, vagy oszd fel |
| Az egyik beszélő sokkal halkabb | A személyek külön csatornákon, eltérő szinten szerepelnek | Válaszd szét a csatornákat (5. parancs), és írd át külön |
| Torz, recsegő csúcsok | Clipping a felvételkor | Nem javítható; legközelebb csökkentsd a bemeneti erősítést |
| A telefonhang 48 kHz-re alakítás után is gyenge | A felmintavételezés nem ad új információt | Töltsd fel az eredetit; ahol van, próbáld a Noise / Low-Quality Audio/Video nyelvi módot |
Hol segít a whispertranscribe.ai?
A whispertranscribe.ai az OpenAI Whisper-modelljeire épülő böngészős átíró (nincs alkalmazás, API vagy emberi korrektúra). Az ingyenes hang–szöveg konverter és a többi feltöltőoldal formátumai: MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG és MPEG.
- Korlátok: legfeljebb 5 GB és 10 óra.
- Nyelvek: több mint 130, soknál Noise / Low-Quality Audio/Video opcióval.
- Pontosság: tiszta hangon akár 99%. A zaj, távolság, akcentus és átfedés csökkenti.
- Beszélők: átírás előtt kapcsold be a Speaker Detection funkciót.
- Export: DOCX, PDF, TXT, CSV, SRT és VTT.
- Adatvédelem: az adatvédelmi szabályzat szerint az eredeti feltöltések feldolgozás után törlődnek, a kinyert MP3-fájlok alapértelmezetten 30 napig maradnak meg.
Konkrét felvételekhez lásd az MP3, hangjegyzet, telefonhívás, interjú és előadás és szeminárium oldalakat. Próbálj fájlt a fiók nélküli ingyenes oldalon (a korlátok ott láthatók). Fizetős csomag éves számlázással 9,99 USD/hótól (árak). Minden más a funkciók oldalon.
Gyakori kérdések
Mi a legjobb hangformátum átíráshoz?
Ha te állítod be a felvételt, a WAV vagy FLAC a legjobb, lehetőleg monóban, legalább 16 kHz és 16 bit mellett. Meglévő MP3-at, M4A-t vagy Opust változatlanul tölts fel. A közeli mikrofon, kevés háttérzaj és clippingmentes felvétel rendszerint többet számít a formátumnál.
Jobb a WAV az MP3-nál átíráshoz?
A forrásból WAV-ban rögzített hang több részletet őriz meg, és a Google szerint az MP3-hoz hasonló veszteséges kodekek ronthatják a felismerést. Tiszta beszédnél gyakran kicsi, zajos hangnál nagyobb a különbség. A meglévő MP3-ból készített WAV nem jobb az MP3-nál, mert az elveszett részlet nem áll vissza. Ha lehet, WAV vagy FLAC formátumban rögzíts, az MP3-at pedig eredetiben töltsd fel.
Milyen mintavételi frekvenciát használjak?
Legalább 16 kHz-et. A Google beszédfelismeréshez legalább 16.000 Hz-et ajánl, az OpenAI Whisper pedig feldolgozás előtt 16 kHz monóvá alakítja a hangot. A 44.1 vagy 48 kHz gyakori és megfelelő. Alacsonyabbat utólag ne növelj: a 8 kHz-es telefonfelvételt 8 kHz-en töltsd fel, mert a felmintavételezés csak növeli a fájlt.
Monóban vagy sztereóban rögzítsek?
Közös mikrofonnál monóban. A Whisper a sztereót úgyis monóra keveri, így ugyanazon hang sztereó másolata csak duplázza a méretet. Tartsd meg a sztereót vagy külön sávokat, ha minden beszélő más csatornán van. A Google külön csatornánkénti átírást ajánl, amelyhez FFmpeggel szétválaszthatók a csatornák.
Mekkora egy WAV-fájl percenként?
A beállításoktól függ: a mintavételi frekvenciát szorozd a mintánkénti bájtokkal és csatornák számával a bájt/másodperc értékhez. A 16 kHz, 16 bites monó WAV 16.000 × 2 × 1 = 32.000 bájt/másodperc, kb. 1.92 MB/perc vagy 115.2 MB/óra. A CD-szintű 44.1 kHz, 16 bites sztereó kb. 10.58 MB/perc vagy 635 MB/óra.
Feltölthetek videót a hang kinyerése helyett?
Igen. Az átírók a hangsávot olvassák és a képet figyelmen kívül hagyják, ezért az MP4, MOV, MKV vagy WEBM ugyanazt az átiratot adja, mint a kinyert hang. A videó csak nagyobb feltöltés. Méretkorlát közelében vagy lassú kapcsolaton nyerd ki a hangot, például az FFmpeg -vn -c:a copy kapcsolóival, amelyek megőrzik a hangminőséget. A whispertranscribe.ai-ra a videó változatlanul feltölthető, és DOCX, TXT, SRT vagy VTT exportálható.
Kész a felvétel? Töltsd fel változatlanul a whispertranscribe.ai ingyenes hang–szöveg konverterébe: válassz több mint 130 nyelv közül, kapcsold be a Speaker Detection funkciót, és tölts le DOCX, TXT, SRT vagy VTT fájlt. Legfeljebb 5 GB és 10 óra.
Források
- 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)
