Վերծանման լավագույն ձայնային ձևաչափը․ ինչպես ձայնագրել, վերբեռնել և փոխարկել

whispertranscribe.ai-ի խմբագրակազմ · Վերջին թարմացումը՝ 2026 թ. նոյեմբեր · 12 րոպե ընթերցում

Եթե ինքներդ եք կարգավորում ձայնագրությունը, վերծանման լավագույն ձևաչափը անկորուստ ձայնն է՝ WAV (16-բիթանոց PCM) կամ FLAC, մոնո, առնվազն 16 kHz։ Եթե արդեն ունեք MP3, M4A կամ տեսաֆայլ, վերբեռնեք այն սկզբնական տեսքով։ Սեղմված ֆայլը փոխարկելիս կորած մանրամասները չեն վերականգնվում։ Խոսափողի հեռավորությունն ու աղմուկը արդյունքի վրա ավելի մեծ ազդեցություն ունեն։

Ստորև ներկայացված են ձայնագրելուց առաջ կատարվող ընտրությունը, ստացած ֆայլի մշակումը, ֆայլերի չափի բանաձևերը, կարգավորումները տարբեր դեպքերի համար, FFmpeg-ի հրամաններն ու խնդիրների լուծումների աղյուսակը։

Հրապարակողի մասին։ Ուղեցույցը հրապարակում է whispertranscribe.ai-ը։ Տեխնիկական պնդումները հղվում են Google Cloud-ին, OpenAI-ի Whisper կոդին, FFmpeg-ին կամ ԱՄՆ Կոնգրեսի գրադարանին։ Այս հոդվածի համար ճշգրտության փորձարկում չենք անցկացրել և որևէ ձևաչափի դեպքում ճշգրտության որոշակի տոկոսով աճ չենք խոստանում։

Վերծանման լավագույն ձայնային ձևաչափը՝ համառոտ

Ձևաչափն ընտրեք ըստ աշխատանքի փուլի։

Իրավիճակը Լավագույն ընտրությունը Ինչու
Կարգավորում եք ձայնագրիչը կամ հավելվածը WAV (16 բիթ) կամ FLAC, մոնո, 16 kHz կամ ավելի բարձր Google-ը խոսքի ճանաչման համար խորհուրդ է տալիս անկորուստ FLAC կամ LINEAR16
Ձայնագրելիս պետք են փոքր ֆայլեր Խոսքի համար հարմար կորուստներով կոդեկ՝ միջին բիթային արագությամբ Google-ի նախընտրելի կորուստներով կոդեկները՝ ըստ հերթականության՝ AMR-WB, Ogg Opus, Speex
Արդեն ունեք MP3, M4A կամ Opus Վերբեռնեք սկզբնական ֆայլը Վերակոդավորումը կորցրած մանրամասները չի վերադարձնում
Ունեք տեսանյութ (MP4, MOV, MKV) Վերբեռնեք, իսկ եթե շատ մեծ է, առանձնացրեք ձայնը Օգտագործվում է միայն ձայնային ուղին
Խոսնակներն առանձին ուղիներով են ձայնագրվել Պահեք ուղիները Google-ը խորհուրդ է տալիս յուրաքանչյուր ալիքն ուղարկել առանձին, եթե ամեն մարդ իր ալիքն ունի

Երբ ձևաչափի մասին անհանգստանալու կարիք չկա․ հեռախոսի ձայնային հուշագիր, հրապարակված փոդքասթի թողարկում կամ Zoom-ի կամ Teams-ի ձայնագրություն։ Վերբեռնեք, ընտրեք խոսքի ճիշտ լեզուն և ժամանակը տրամադրեք անունների ստուգմանը։

Ձևաչափ, կոդեկ և կոնտեյներ․ ինչ չի ասում ֆայլի ընդլայնումը

Ընդլայնումը նշում է կոնտեյները, իսկ սեղմման եղանակը միշտ չէ, որ դրանից պարզ է։ Google-ի ձայնի օպտիմալացման ուղեցույցը տարբերակում է կոդեկներն ու ֆայլերի ձևաչափերը։ Երեք սովորական օրինակ։

  • WAV-ը սովորաբար պարունակում է չսեղմված գծային PCM, բայց կարող է կրել նաև այլ կոդավորում (Կոնգրեսի գրադարան, WAVE)։
  • M4A-ն կարող է պարունակել կորուստներով AAC կամ անկորուստ Apple Lossless (ALAC)։
  • OGG-ը կոնտեյներ է, որը սովորաբար պարունակում է կորուստներով Opus կամ Vorbis։

Տեսնելու համար, թե իրականում ինչ կա ֆայլի ներսում, FFmpeg-ի ffprobe գործիքով ցուցադրեք միայն ձայնային հոսքերը։

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

Բնագրի հեղինակները հրամանը գործարկել են FFmpeg 7.1.5-ով կարճ փորձնական տեսանյութի վրա։ Այն մեկ տող է ցուցադրել յուրաքանչյուր ձայնային հոսքի համար։ Ձայնը հեռացրած պատճենի դեպքում ոչինչ չի տպել։ Այսպես կարելի է վերբեռնումից առաջ արագ գտնել ձայնային ուղի չունեցող ֆայլը։

Ձայնային ձևաչափերի համեմատություն վերծանման համար

Ստորև բոլոր ձևաչափերը կարելի է վերծանել։ Տարբերությունն այն է, թե որքան մանրամասնություն է պահպանվել և ինչ չափի է դառնում ֆայլը։ Չափերը հաշվարկված են հաջորդ բաժնի բանաձևերով (1 MB = 1,000,000 բայթ)։

Ձևաչափը Կորուստներով կամ անկորուստ Սովորական աղբյուրը Մեկ րոպեի չափը (կարգավորման օրինակ) Ազդեցությունը վերծանման վրա Ինչ անել
WAV (PCM) Չսեղմված Դաշտային ձայնագրիչներ, ձայնի խմբագրիչներ 1.92 MB՝ 16 kHz, 16 բիթ, մոնո։ 10.58 MB՝ 44.1 kHz, 16 բիթ, ստերեո Պահպանում է խոսափողի որսած ամեն ինչ Լավագույն սկզբնական օրինակն է։ Երկար ձայնագրությունների դեպքում հետևեք չափին
FLAC Անկորուստ (սեղմված) Արխիվներ, արտահանում ձայնի խմբագրիչից Նույն WAV-ից փոքր է։ Խնայողության չափը փոփոխական է Նույն ձայնը, ինչ WAV-ում Տարածք խնայելու համար օգտագործեք WAV-ի փոխարեն
AIFF / ALAC / CAF AIFF-ը սովորաբար չսեղմված է, ALAC-ը՝ անկորուստ, CAF-ը կարող է երկուսն էլ պարունակել Mac-ի և iPhone-ի հավելվածներ AIFF՝ WAV-ի չափով նույն կարգավորումներով Կախված է ներսի կոդեկից Վերբեռնեք սկզբնական տեսքով
MP3 Կորուստներով Փոդքասթներ, ներբեռնումներ 0.96 MB՝ 128 kbps արագությամբ Google-ի համաձայն՝ կորուստներով կոդեկները կարող են նվազեցնել ճշգրտությունը Վերբեռնեք սկզբնական տեսքով
M4A / AAC Սովորաբար կորուստներով (AAC) Ձայնային հուշագրեր, տեսանյութերի ձայնային ուղիներ 0.48 MB՝ 64 kbps արագությամբ Նույն վերապահումը, ինչ MP3-ի դեպքում Վերբեռնեք սկզբնական ֆայլը
OGG / Opus Կորուստներով Ձայնային հաղորդագրություններ, վեբ զանգեր 0.24 MB՝ 32 kbps արագությամբ Opus-ը Google-ի՝ խոսքի համար նախընտրելի կորուստներով կոդեկների ցանկում է Վերբեռնեք սկզբնական տեսքով
AMR (նեղաշերտ) Կորուստներով, միայն խոսքի համար Հին հեռախոսներ և զանգերի ձայնագրիչներ Մոտ 0.09 MB՝ 12.2 kbps արագությամբ Փոխանցում է միայն 200–3,400 Hz միջակայքը (Կոնգրեսի գրադարան, AMR) Վերբեռնեք սկզբնական տեսքով և մի բարձրացրեք նմուշառման հաճախականությունը

Տեսաֆայլերն աշխատում են նույն կերպ։ Գործիքը կարդում է ձայնային ուղին, իսկ վերբեռնվող ֆայլն ավելի մեծ է։

Որքա՞ն տեղ է զբաղեցնում ձայնային ֆայլը․ բանաձևեր

Երկու բանաձևով կարող եք մոտավորապես հաշվարկել ֆայլի չափը ձայնագրելուց կամ վերբեռնելուց առաջ։

Չսեղմված PCM (WAV, AIFF)․

բայթ վայրկյանում = նմուշառման հաճախականություն × (բիթային խորություն ÷ 8) × ալիքների քանակ

Հաշվարկի օրինակներ։

  • 16 kHz, 16 բիթ, մոնո՝ 16,000 × 2 × 1 = 32,000 բայթ վայրկյանում։ × 60 = 1,920,000 բայթ, մոտ 1.92 MB րոպեում, կամ 115.2 MB ժամում։
  • 44.1 kHz, 16 բիթ, ստերեո՝ 44,100 × 2 × 2 = 176,400 բայթ վայրկյանում, մոտ 10.58 MB րոպեում, կամ 635 MB ժամում։
  • 48 kHz, 24 բիթ, ստերեո՝ 48,000 × 3 × 2 = 288,000 բայթ վայրկյանում, կամ 1,036.8 MB ժամում։

Կորուստներով՝ հաստատուն բիթային արագությամբ (MP3, AAC, Opus)․

բայթ րոպեում = բիթային արագություն (kbps) × 1,000 ÷ 8 × 60 (այսինքն՝ kbps × 7,500)

  • 128 kbps՝ 128 × 7,500 = 960,000 բայթ, մոտ 0.96 MB րոպեում, կամ 57.6 MB ժամում։
  • 64 kbps՝ 0.48 MB րոպեում, 32 kbps՝ 0.24 MB րոպեում։

Իրական ֆայլերը փոքր-ինչ ավելի մեծ են վերնագրային տվյալների պատճառով, իսկ փոփոխական բիթային արագությամբ ֆայլերի չափը տատանվում է միջինի շուրջ։ Երկուական միավորներ (MiB) ցուցադրող համակարգիչներում թիվը մոտ 5%-ով փոքր է։

Ի՞նչ են նշանակում այս թվերը 5GB և 10 ժամ վերբեռնման սահմանաչափի դեպքում

whispertranscribe.ai-ն ընդունում է մինչև 5GB և 10 ժամ տևողությամբ ֆայլեր։ Ահա թե որքան տեղ են զբաղեցնում տարածված կարգավորումները, եթե 5GB-ը հավասար է 5,000,000,000 բայթի։

Կարգավորումը 1 ժամ 10 ժամ 10 ժամը տեղավորվո՞ւմ է 5GB-ում
WAV, 16 kHz, 16 բիթ, մոնո 115.2 MB 1.15 GB Այո
WAV, 44.1 kHz, 16 բիթ, ստերեո 635 MB 6.35 GB Ոչ, տեղավորվում է մոտ 7.9 ժամ
WAV, 48 kHz, 24 բիթ, ստերեո 1.04 GB 10.37 GB Ոչ, տեղավորվում է մոտ 4.8 ժամ
MP3, 128 kbps 57.6 MB 576 MB Այո
Opus, 32 kbps 14.4 MB 144 MB Այո

Սովորական WAV-ն ունի նաև սեփական սահմանաչափը։ Դրա 32-բիթանոց չափի դաշտը սահմանափակում է ֆայլը մոտ 4 GB-ով, իսկ ավելի երկար արդյունքի համար անհրաժեշտ է RF64 ընդլայնումը (Կոնգրեսի գրադարան)։ Շատ երկար անկորուստ ձայնագրելու դեպքում FLAC-ը կամ 16 kHz մոնո WAV-ը շրջանցում են երկու խնդիրն էլ։

Ի՞նչն է ավելի կարևոր, քան ձայնային ձևաչափը

Մոտ խոսափողով հստակ խոսքի MP3 ձայնագրությունը սովորաբար ավելի լավ արդյունք է տալիս, քան աղմկոտ սենյակի մյուս անկյունից ձայնագրված անկորուստ ֆայլը։ Ստորև բերված կարգավորումներն ու սովորույթներն են հիմնականում որոշում արդյունքը։

Նմուշառման հաճախականություն․ 16 kHz-ը բավակա՞ն է

Այո՝ խոսքի համար։ Google-ը խորհուրդ է տալիս 16,000 Hz կամ ավելի բարձր հաճախականություն (լավագույն գործելակերպեր)։ Ըստ իր ուղեցույցի՝ ավելի ցածր հաճախականության դեպքում 8 kHz-ից վեր տեղեկություն քիչ է մնում կամ ընդհանրապես չի մնում։ OpenAI-ի բաց կոդով Whisper-ը մինչև մոդելին տալն ամեն մուտքային ձայն փոխարկում է 16,000 Hz մոնոյի (whisper/audio.py)։ 44.1 կամ 48 kHz-ով ձայնագրելը նորմալ է, պարզապես ֆայլը մեծ կլինի։

Հետագայում հաճախականությունը բարձրացնելը չի օգնում։ Google-ը նշում է, որ 44.1 kHz-ի հասցված 8 kHz ֆայլը դեռ ունի միայն մոտ 4 kHz հաճախականությունների միջակայք։ Հեռախոսային ձայնը, որը սովորաբար 8,000 Hz է, վերբեռնեք սկզբնական հաճախականությամբ։

Բիթային խորություն․ 16 թե՞ 24 բիթ

Google-ը խորհուրդ է տալիս 16 բիթ կամ ավելի։ 8 բիթով ձայնը 16 բիթի փոխարկելն արդյունք չի տալիս, քանի որ դինամիկ տիրույթը որոշվում է ձայնագրման ժամանակ։ Ձայնագրիչի 24 բիթը պահպանելը խնդիր չէ, բայց 16-ից 24 բիթի փոխարկումը ոչինչ չի ավելացնում։

Սեղմված ֆայլերի բիթային արագությունը

Չկա բիթային արագության ստանդարտ, որը կերաշխավորի լավ վերծանում։ Google-ի խորհուրդը կոդեկի տեսակի մասին է։ Կորուստներով կոդեկները կարող են նվազեցնել ճշգրտությունը, իսկ կորուստներով սեղմելիս աղմուկի կամ արձագանքի ազդեցությունն ավելի մեծ է։ Եթե պետք է սեղմեք, արեք մեկ անգամ՝ միջին կարգավորմամբ։ Խուսափեք WAV-ից MP3, հետո OGG փոխարկումների շղթայից։

Խոսափողի հեռավորությունը, աղմուկը և ձայնի մակարդակը

Google-ի նախամշակման խորհուրդներից։

  • Խոսափողը հնարավորինս մոտ դրեք խոսնակին, հատկապես ֆոնային աղմուկի դեպքում։
  • Խուսափեք ձայնի գերբեռնումից։ Աղավաղված գագաթները հետո չեն վերականգնվի։
  • Անջատեք ուժեղացման ինքնակարգավորումն ու աղմուկի նվազեցումը, եթե հավելվածը թույլ է տալիս։ Google-ի համաձայն՝ նախքան ճանաչումն աղմուկը նվազեցնելը սովորաբար իջեցնում է ճշգրտությունը։

Մոնո թե՞ ստերեո

Մեկ ընդհանուր խոսափողի դեպքում մոնոն բավարար է։ Whisper-ը ստերեոն, միևնույն է, միախառնում է մոնոյի։ Նույն ձայնը երկու ալիքում պահելը միայն կրկնապատկում է չափը։ Պահեք ստերեոն, երբ ամեն ալիքում տարբեր անձ է, ինչպես բազմաթիվ զանգերի ձայնագրիչներում կամ երբ յուրաքանչյուր ալիքին մեկ ամրակավոր խոսափող է միացված։ Google-ը խորհուրդ է տալիս այդ դեպքում ուղարկել ամեն ալիքն առանձին, իսկ միախառնված ձայնագրությունը՝ սկզբնական տեսքով։

Մի քանի ուղի ունեցող ձայնագրություններ

Փոդքասթի և հեռավար հարցազրույցի գործիքները հաճախ յուրաքանչյուր անձի առանձին ուղիով են ձայնագրում։ Կամ արտահանեք մեկ միախառնված ուղի և միացրեք խոսնակների պիտակները (ամենապարզ տարբերակը), կամ վերծանեք ամեն ուղին առանձին և միավորեք տեքստերն ըստ ժամանակային նշումների (ձայնն ավելի մաքուր է, բայց միավորումը ձեր գործն է)։

Առաջարկվող ձևաչափն ու կարգավորումներն ըստ իրավիճակի

Ավելի հաճախ արդեն ֆայլ ունեք, և սովորաբար կարող եք պարզապես վերբեռնել այն։

Իրավիճակը Ինչպես ձայնագրել, եթե կարող եք ընտրել Եթե արդեն ֆայլ ունեք Վերբեռնելուց առաջ Ինչի վրա ուշադրություն դարձնել
Առկա հարցազրույց WAV կամ FLAC, մեկ մոնո ուղի յուրաքանչյուր խոսափողի համար, 44.1 կամ 48 kHz Հեռախոսի M4A կամ MP3 Գրանցեք անուններն ու տերմինները Հյուրի ձայնը կարող է ավելի ցածր լինել, քան հարցազրուցավարինը
Հեռավար հարցազրույց կամ փոդքասթ՝ առանձին ուղիներով Յուրաքանչյուր խոսնակի առանձին անկորուստ ուղին Առանձին WAV-եր և միախառնված MP3 Ընտրեք միախառնված կամ առանձին ուղիները Խոսքերի համընկնումը միախառնված ուղում
Հանդիպման ձայնագրություն (Zoom, Teams, Meet) Հարթակի միայն ձայնի ընտրանքը, եթե կա MP4 կամ M4A Ձայնն առանձնացրեք միայն եթե տեսանյութը շատ մեծ է Մեկ նոթբուքի խոսափող ամբողջ սենյակի համար
Հեռախոսի ձայնային հուշագիր Հավելվածի լռելյայն կարգավորումը .m4a Արտահանեք սկզբնական ֆայլը Հեռախոսը գրպանում է ձայնագրման ընթացքում
Հրապարակված փոդքասթ Չի կիրառվում Հրապարակված MP3 Օգտագործեք նախահրապարակման WAV-ը կամ FLAC-ը, եթե ունեք Երաժշտական ներածություններ և լեզվի ընտրություն
Դասախոսություն կամ սեմինար Մոնո, 16 բիթ, խոսափողը դասախոսին մոտ Երկար MP3 կամ տեսանյութ Ստուգեք՝ չի՞ գերազանցում 10 ժամը Լսարանի հարցերը կարող են չլսվել խոսափողով
Հեռախոսազանգի ձայնագրություն Ձայնագրիչի լռելյայն կարգավորումը AMR, M4A կամ 8 kHz WAV Պահպանեք սկզբնական նմուշառման հաճախականությունը Համաձայնության կանոնները և հաճախականությունը չբարձրացնելը

Զանգերը ձայնագրելուց առաջ ստացեք անհրաժեշտ համաձայնությունը։ Հանդիպումների համար ստացեք նաև կազմակերպչի թույլտվությունը։ Ավելին՝ ինչպես ձայնագրել հեռախոսազանգը և ԱՄՆ նահանգների զանգերի ձայնագրման օրենքները ուղեցույցներում։ Սա իրավաբանական խորհրդատվություն չէ։

Ինչպես փոխարկել ձայնը վերծանման համար FFmpeg-ով

Փոխարկեք, եթե ֆայլը չափազանց մեծ է, ցանկանում եք տեսանյութից ավելի փոքր ֆայլ վերբեռնել, գործիքը չի ընդունում կոդեկը կամ խոսնակների համար առանձին ֆայլեր են անհրաժեշտ։ Փոխարկումը ձայնի որակը չի բարձրացնի։

Բնագրի հեղինակները հրամանները գործարկել են FFmpeg 7.1.5-ով հանրային տիրույթի 11 վայրկյանանոց խոսքի հատվածի և դրանից պատրաստված փորձնական կարճ տեսանյութի վրա։ Նրանք միայն ստուգել են հրամանի ավարտը և ffprobe-ով հաստատել ակնկալվող կոդեկը, նմուշառման հաճախականությունն ու ալիքները։ Պարամետրերը բացատրված են FFmpeg-ի փաստաթղթերում։

1. Ցանկացած ֆայլից 16 kHz մոնո 16-բիթանոց WAV (նույն կարգավորումներով, ինչ Whisper-ի ներքին փոխարկումը)։

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

2. Ցանկացած ֆայլից 16 kHz մոնո FLAC (անկորուստ, սովորաբար WAV-ից փոքր)։

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

3. Տեսանյութից փոքր մոնո MP3 (ավելացնում է կորուստներով մեկ փոխարկում, կիրառեք, երբ փոքր չափն ամենակարևորն է)։

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

4. Առանձնացրեք տեսանյութի ձայնն առանց վերակոդավորման (աշխատում է, երբ ձայնը AAC է, ինչը սովորական է MP4 ֆայլերում)։

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

5. Երկալիք ձայնագրությունը բաժանեք ըստ խոսնակների՝ մեկական ֆայլի (օգտագործում է channelsplit զտիչը)։

ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
Պարամետրը Գործողությունը
-ac 1 Ձայնը միախառնում է մեկ ալիքում
-ar 16000 Արդյունքի նմուշառման հաճախականությունը սահմանում է 16,000 Hz
-c:a pcm_s16le Գրում է 16-բիթանոց չսեղմված PCM (ստանդարտ WAV)
-vn Հեռացնում է տեսանյութի հոսքը
-c:a copy Պատճենում է ձայնն առանց որակը փոխելու
-b:a 64k Սահմանում է կորուստներով սեղմման բիթային արագությունը

Եթե տեսանյութի ձայնն արդեն AAC է, 3-րդ հրամանի փոխարեն օգտագործեք 4-րդը՝ սկզբնական որակը պահելու համար։ 8 kHz հեռախոսային ձայնի համար բաց թողեք -ar 16000-ը, որպեսզի չբարձրացնեք նմուշառման հաճախականությունը։

Հրամանային տող չունե՞ք։ whispertranscribe.ai-ի ձայնն ու տեսանյութը MP3-ի փոխարկող գործիքը MP4, MOV, MKV, WEBM կամ AVI ֆայլերից ձայնային ուղին առանձնացնում է դիտարկիչում։ Ըստ էջի՝ այն օգտագործում է WebAssembly, և ֆայլերը մշակվում են դիտարկիչում՝ առանց սերվեր վերբեռնելու։

Մեծ ֆայլեր․ ինչպես տեղավորվել 5GB և 10 ժամ սահմանաչափերում

  • Ֆայլը շատ մեծ է, բայց 10 ժամից կարճ․ սովորաբար տեսանյութ է կամ բարձր լուծաչափով WAV։ Առանձնացրեք ձայնը (4-րդ հրամանը կամ դիտարկիչի փոխարկիչը) կամ WAV-ը փոխարկեք FLAC-ի (2-րդ հրամանը)։
  • 10 ժամից երկար․ վերբեռնման էջը հայտնում է՝ «Ներկայում կարող ենք մշակել միայն մինչև 10 ժամ տևողությամբ ֆայլեր։ Խնդրում ենք կրճատել ֆայլը մինչև 10 ժամ կամ ավելի քիչ և կրկին փորձել»։ Բաժանեք մասերի։ Առանց վերակոդավորման բաժանման հրամանը մեր MP3-ից տեքստ ուղեցույցում գործում է նաև WAV-ի համար։ Բնագրի հեղինակներն այն ստուգել են փորձնական WAV-ով։ Տեքստերը միացնելիս ստուգեք միացման կետերը։
  • Դանդաղ կապ․ 64 kbps MP3-ի մեկ ժամը մոտ 28.8 MB է, CD-ի որակի ստերեո WAV-ի 635 MB-ի համեմատ։ Արխիվի համար պահեք անկորուստ սկզբնական օրինակը։

Ձայնային ձևաչափի հետ կապված խնդիրների լուծում

Խնդիրը Հավանական պատճառը Ինչ փորձել
«Ձայն չի հայտնաբերվել։ Ֆայլը կարող է վնասված լինել։ Ստուգեք ֆայլը և կրկին փորձեք» (երևում է մեր վերբեռնման էջերում) Վնասված ֆայլ, առանց ձայնի արտահանված տեսանյութ կամ դատարկ ձայնային ուղի Նվագարկեք այն սարքում։ Գործարկեք վերևի ffprobe ստուգումը (արդյունքի բացակայությունը նշանակում է, որ ձայնային հոսք չկա)։ Կրկին արտահանեք սկզբնական հավելվածից
Վերբեռնումը մերժվում է տևողության պատճառով Ֆայլը 10 ժամից երկար է Բաժանեք 10 ժամ կամ ավելի կարճ մասերի
Ֆայլը շատ մեծ է Տեսանյութ կամ բարձր լուծաչափով բազմալիք WAV Առանձնացրեք ձայնը կամ WAV-ը փոխարկեք FLAC-ի
4 GB-ից մեծ WAV-ը չի բացվում կամ վերբեռնվում Սովորական WAV-ի չափի սահմանաչափը Կրկին արտահանեք որպես RF64 կամ FLAC, կամ բաժանեք մասերի
Մի խոսնակը մյուսից շատ ավելի ցածր է լսվում Մարդիկ ձայնագրվել են առանձին ալիքներով՝ տարբեր մակարդակներով Առանձնացրեք ալիքները (5-րդ հրամանը) և վերծանեք յուրաքանչյուր ֆայլը
Ձայնի բարձր կետերում ճարճատյուն և աղավաղում Ձայնագրման ժամանակ ձայնը գերբեռնվել է Հնարավոր չէ վերականգնել։ Հաջորդ անգամ իջեցրեք մուտքային ուժեղացումը
Հեռախոսային ձայնը 48 kHz-ի փոխարկումից հետո էլ վատ է Նմուշառման հաճախականության բարձրացումը տեղեկություն չի ավելացնում Վերբեռնեք սկզբնական ֆայլը։ Փորձեք «Noise / Low-Quality Audio/Video» լեզվական ընտրանքը, եթե կա

Երբ է հարմար whispertranscribe.ai-ը

whispertranscribe.ai-ն դիտարկիչում աշխատող վերծանման գործիք է՝ OpenAI-ի Whisper մոդելներով։ Հավելված, API և մարդու կողմից սրբագրում չկան։ Ձայնից տեքստ անվճար փոխարկիչը և այլ վերբեռնման էջերը նշում են MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG և MPEG ձևաչափերը։

  • Սահմանաչափը․ մինչև 5GB և 10 ժամ տևողությամբ ֆայլեր։
  • Լեզուները․ 130+ լեզու, շատերի համար «Noise / Low-Quality Audio/Video» ընտրանքով։
  • Ճշգրտությունը․ մինչև 99% մաքուր ձայնի դեպքում։ Աղմուկը, հեռավորությունը, առոգանությունն ու համընկնող խոսքը նվազեցնում են ճշգրտությունը։
  • Խոսնակներ․ վերծանելուց առաջ միացրեք Speaker Detection-ը։
  • Արտահանումը․ DOCX, PDF, TXT, CSV, SRT և VTT։
  • Գաղտնիությունը․ գաղտնիության քաղաքականության համաձայն՝ սկզբնական վերբեռնումները ջնջվում են մշակումից հետո, իսկ առանձնացված MP3-ները լռելյայն պահվում են 30 օր։

Կոնկրետ նյութի համար տե՛ս MP3 ֆայլերի, ձայնային հուշագրերի, հեռախոսազանգերի, հարցազրույցների և դասախոսությունների ու սեմինարների էջերը։ Փորձեք անվճար, առանց հաշվի էջում, որտեղ նշված են սահմանաչափերը։ Վճարովի փաթեթները սկսվում են ամսական $9.99-ից՝ տարեկան վճարմամբ (գներ)։ Մնացածը ներկայացված է գործառույթների էջում։

Հաճախ տրվող հարցեր

Ո՞րն է վերծանման լավագույն ձայնային ձևաչափը

Երբ ինքներդ եք կարգավորում ձայնագրությունը, ընտրեք WAV կամ FLAC, ցանկալի է մոնո՝ առնվազն 16 kHz և 16 բիթ։ Եթե արդեն ունեք MP3, M4A կամ Opus սեղմված ֆայլ, վերբեռնեք սկզբնական տեսքով։ Սովորաբար ձևաչափից ավելի կարևոր են մոտ խոսափողը, քիչ ֆոնային աղմուկը և գերբեռնման բացակայությունը։

WAV-ը վերծանման համար ավելի լա՞վ է, քան MP3-ը

Աղբյուրից անմիջապես ձայնագրված WAV-ը MP3-ից ավելի շատ մանրամասներ է պահպանում։ Google-ը նշում է, որ կորուստներով կոդեկները, ինչպիսին MP3-ն է, կարող են նվազեցնել ճանաչման ճշգրտությունը։ Մաքուր խոսքում տարբերությունը հաճախ փոքր է, իսկ աղմկոտ ձայնագրություններում՝ ավելի մեծ։ Գոյություն ունեցող MP3-ից ստեղծած WAV-ը չի գերազանցում այդ MP3-ը, քանի որ հեռացված մանրամասները չեն վերականգնվում։ Հնարավորության դեպքում ձայնագրեք WAV կամ FLAC, իսկ պատրաստի MP3-ները վերբեռնեք սկզբնական տեսքով։

Նմուշառման ի՞նչ հաճախականություն օգտագործել վերծանման համար

Օգտագործեք առնվազն 16 kHz։ Google-ը խոսքի ճանաչման համար խորհուրդ է տալիս առնվազն 16,000 Hz, իսկ OpenAI-ի Whisper-ը մշակումից առաջ բոլոր ձայները փոխարկում է 16 kHz մոնոյի։ 44.1 կամ 48 kHz-ով ձայնագրելը սովորական է։ Հետագայում ցածր հաճախականությունը մի բարձրացրեք։ 8 kHz հեռախոսային ձայնը վերբեռնեք 8 kHz-ով, քանի որ հաճախականության բարձրացումը մեծացնում է ֆայլը՝ առանց խոսքի մասին տեղեկություն ավելացնելու։

Վերծանման համար ձայնագրե՞լ մոնո, թե՞ ստերեո

Մեկ ընդհանուր խոսափողի դեպքում ձայնագրեք մոնո։ Whisper-ը ստերեոն միախառնում է մոնոյի, ուստի նույն ձայնի ստերեո պատճենը միայն կրկնապատկում է չափը։ Ստերեոն կամ առանձին ուղիները պահեք, երբ յուրաքանչյուր խոսնակ առանձին ալիքում է, օրինակ՝ զանգերի ձայնագրիչի կամ յուրաքանչյուր հյուրի համար նախատեսված խոսափողի դեպքում։ Google-ը խորհուրդ է տալիս առանձին ալիքներն առանձին վերծանել։ Դրանք կարող եք բաժանել FFmpeg-ով։

Որքա՞ն է մեկ րոպե WAV ֆայլի չափը

Կախված է կարգավորումներից։ Վայրկյանում բայթերը ստանալու համար նմուշառման հաճախականությունը բազմապատկեք մեկ նմուշի բայթերով և ալիքների թվով։ 16 kHz, 16-բիթանոց մոնո WAV-ը կազմում է 16,000 × 2 × 1 = 32,000 բայթ վայրկյանում, մոտավորապես 1.92 MB րոպեում կամ 115.2 MB ժամում։ CD-ի որակի 44.1 kHz, 16-բիթանոց ստերեոն մոտ 10.58 MB է րոպեում կամ 635 MB ժամում։

Կարո՞ղ եմ ուղղակի վերբեռնել տեսաֆայլը

Այո։ Վերծանման գործիքներն օգտագործում են ձայնային ուղին և անտեսում պատկերը։ MP4-ը, MOV-ը, MKV-ն և WEBM-ը տալիս են նույն տեքստը, ինչ դրանցից առանձնացված ձայնը։ Տեսանյութը պարզապես մեծացնում է վերբեռնվող ծավալը։ Եթե ֆայլը մոտ է սահմանաչափին կամ կապը դանդաղ է, առանձնացրեք ձայնը, օրինակ՝ FFmpeg-ի -vn -c:a copy պարամետրերով, որոնք պահպանում են սկզբնական ձայնի որակը։ whispertranscribe.ai-ում կարող եք վերբեռնել տեսանյութը սկզբնական տեսքով և արտահանել DOCX, TXT, SRT կամ VTT։


Արդեն ունե՞ք ձայնագրություն։ Վերբեռնեք այն սկզբնական տեսքով whispertranscribe.ai-ի ձայնից տեքստ անվճար փոխարկիչում։ Ընտրեք 130+ լեզուներից մեկը, միացրեք Speaker Detection-ը և ներբեռնեք DOCX, TXT, SRT կամ VTT ֆայլը։ Ընդունվում են մինչև 5GB և 10 ժամ տևողությամբ ֆայլեր։

Աղբյուրներ

Ցանկանո՞ւմ եք ձեր ձայնագրությունները վերածել տեքստի։

Վերածեք աուդիոն և տեսանյութը տեքստի whispertranscribe.ai-ի միջոցով։

Սկսել վերածումը տեքստի ↗