Oleh Tim Editorial whispertranscribe.ai · Terakhir diperbarui: November 2026 · Waktu baca 12 menit
Format audio terbaik untuk transkripsi adalah audio lossless, WAV (PCM 16-bit) atau FLAC, direkam dalam mono pada 16 kHz atau lebih tinggi, jika Anda mengendalikan perekaman. Jika sudah memiliki file MP3, M4A, atau video, unggah apa adanya. Mengonversi file terkompresi tidak dapat memulihkan detail yang hilang, dan jarak mikrofon serta kebisingan lebih memengaruhi hasil.
Berikut pilihan sebelum menekan rekam, langkah untuk file yang Anda terima, rumus ukuran file, pengaturan berdasarkan situasi, perintah FFmpeg, dan tabel perbaikan.
Keterbukaan. whispertranscribe.ai menerbitkan panduan ini. Klaim teknis ditautkan ke Google Cloud, kode Whisper OpenAI, FFmpeg, atau Library of Congress. Kami tidak menjalankan pengujian akurasi untuk artikel ini, dan tidak ada yang menjanjikan peningkatan persentase akurasi tertentu dari satu format.
Jawaban singkat: format audio terbaik untuk transkripsi
Pilih berdasarkan tahap pekerjaan, bukan satu "pemenang".
| Situasi Anda | Pilihan terbaik | Alasan |
|---|---|---|
| Menyiapkan perekam atau aplikasi | WAV (16-bit) atau FLAC, mono, 16 kHz atau lebih tinggi | Google merekomendasikan FLAC atau LINEAR16 lossless untuk pengenalan ucapan |
| Membutuhkan file kecil saat merekam | Codec lossy yang cocok untuk ucapan pada bitrate sedang | Codec lossy pilihan Google untuk ucapan, secara berurutan: AMR-WB, Ogg Opus, Speex |
| Sudah memiliki file MP3, M4A, atau Opus | Unggah file asli | Enkode ulang tidak memulihkan detail |
| Memiliki video (MP4, MOV, MKV) | Unggah; ekstrak audio jika terlalu besar | Hanya trek audio yang digunakan |
| Pembicara direkam pada trek terpisah | Pertahankan trek | Google menyarankan mengirim setiap channel terpisah jika setiap orang memiliki channel sendiri |
Kapan tidak perlu mengkhawatirkan format: voice memo ponsel, episode podcast yang sudah terbit, atau rekaman Zoom atau Teams. Unggah, pilih bahasa yang tepat, dan gunakan waktu untuk memeriksa nama.
Format, codec, dan container: apa yang disembunyikan ekstensi file
Ekstensi menyebut container, tidak selalu kompresinya. Tutorial optimasi audio Google menyatakan codec dan format file tidak sama. Tiga hal yang sering mengejutkan:
- WAV biasanya memuat PCM linear yang tidak terkompresi, tetapi formatnya juga dapat memuat encoding lain (Library of Congress, WAVE).
- M4A dapat memuat AAC lossy atau Apple Lossless (ALAC) lossless.
- OGG adalah pembungkus yang biasanya memuat Opus atau Vorbis, keduanya lossy.
Untuk melihat isi sebenarnya dalam file, minta ffprobe FFmpeg menampilkan hanya stream audio:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
Perintah ini menampilkan satu baris untuk setiap stream audio. Jika tidak ada output, periksa apakah file memiliki trek audio sebelum mengunggah.
Perbandingan format audio untuk transkripsi
Setiap format di bawah dapat ditranskripsikan. Perbedaannya adalah jumlah detail yang tersisa dan ukuran file. Ukuran berasal dari rumus di bagian berikutnya (1 MB = 1,000,000 byte).
| Format | Lossy atau lossless | Asal umum | Ukuran per menit (contoh pengaturan) | Pengaruh pada transkripsi | Tindakan |
|---|---|---|---|---|---|
| WAV (PCM) | Tidak terkompresi | Perekam lapangan, editor audio | 1.92 MB pada 16 kHz, 16-bit, mono; 10.58 MB pada 44.1 kHz, 16-bit, stereo | Mempertahankan semua yang ditangkap mikrofon | Master terbaik; perhatikan ukuran untuk sesi panjang |
| FLAC | Lossless (terkompresi) | Arsip, ekspor editor | Lebih kecil dari WAV yang sama; penghematan berbeda-beda | Audio sama dengan WAV-nya | Gunakan sebagai pengganti WAV untuk menghemat ruang |
| AIFF / ALAC / CAF | AIFF biasanya tidak terkompresi; ALAC lossless; CAF dapat memuat keduanya | Aplikasi Mac dan iPhone | AIFF: sama dengan WAV pada pengaturan sama | Bergantung pada codec di dalamnya | Unggah apa adanya |
| MP3 | Lossy | Podcast, unduhan | 0.96 MB pada 128 kbps | Google: codec lossy dapat mengurangi akurasi | Unggah apa adanya |
| M4A / AAC | Biasanya lossy (AAC) | Voice memo, soundtrack video | 0.48 MB pada 64 kbps | Catatan sama dengan MP3 | Unggah file asli |
| OGG / Opus | Lossy | Pesan suara, panggilan web | 0.24 MB pada 32 kbps | Opus termasuk daftar pilihan Google untuk ucapan lossy | Unggah apa adanya |
| AMR (narrowband) | Lossy, khusus ucapan | Ponsel lama dan perekam panggilan | Sekitar 0.09 MB pada 12.2 kbps | Hanya membawa 200 hingga 3,400 Hz (Library of Congress, AMR) | Unggah apa adanya; jangan upsample |
File video bekerja dengan cara sama: alat membaca trek audio, sehingga konsekuensinya hanya ukuran unggahan tambahan.
Seberapa besar file audio? Rumusnya
Dua rumus memungkinkan Anda memperkirakan ukuran file sebelum merekam atau mengunggah.
PCM tidak terkompresi (WAV, AIFF):
byte per detik = laju sampel × (kedalaman bit ÷ 8) × jumlah kanal
Contoh perhitungan:
- 16 kHz, 16-bit, mono: 16,000 × 2 × 1 = 32,000 byte per detik. × 60 = 1,920,000 byte, sekitar 1.92 MB per menit, atau 115.2 MB per jam.
- 44.1 kHz, 16-bit, stereo: 44,100 × 2 × 2 = 176,400 byte per detik, sekitar 10.58 MB per menit, atau 635 MB per jam.
- 48 kHz, 24-bit, stereo: 48,000 × 3 × 2 = 288,000 byte per detik, atau 1,036.8 MB per jam.
Lossy pada bitrate konstan (MP3, AAC, Opus):
byte per menit = bitrate dalam kbps × 1,000 ÷ 8 × 60 (yaitu, kbps × 7,500)
- 128 kbps: 128 × 7,500 = 960,000 byte, sekitar 0.96 MB per menit, atau 57.6 MB per jam.
- 64 kbps: 0.48 MB per menit; 32 kbps: 0.24 MB per menit.
File sebenarnya sedikit lebih besar karena header, dan file bitrate variabel berubah di sekitar rata-rata. Komputer yang menampilkan satuan biner (MiB) menunjukkan angka sekitar 5% lebih rendah.
Arti angka tersebut untuk batas unggahan 5GB, 10 jam
whispertranscribe.ai menerima file hingga 5GB dan 10 jam. Berikut perkiraan pengaturan umum dengan asumsi 5GB berarti 5,000,000,000 byte:
| Pengaturan | 1 jam | 10 jam | Muat 10 jam di bawah 5GB? |
|---|---|---|---|
| WAV, 16 kHz, 16-bit, mono | 115.2 MB | 1.15 GB | Ya |
| WAV, 44.1 kHz, 16-bit, stereo | 635 MB | 6.35 GB | Tidak: sekitar 7.9 jam muat |
| WAV, 48 kHz, 24-bit, stereo | 1.04 GB | 10.37 GB | Tidak: sekitar 4.8 jam muat |
| MP3, 128 kbps | 57.6 MB | 576 MB | Ya |
| Opus, 32 kbps | 14.4 MB | 144 MB | Ya |
File WAV klasik juga memiliki batas: field ukuran 32-bit membatasinya sekitar 4 GB, dan rekaman lebih panjang memerlukan ekstensi RF64 (Library of Congress). Untuk rekaman lossless sangat panjang, FLAC atau WAV mono 16 kHz menghindari kedua masalah.
Apa yang lebih penting daripada format audio
Suara jelas dekat mikrofon yang disimpan sebagai MP3 biasanya lebih baik daripada file lossless yang direkam dari seberang ruangan bising. Pengaturan dan kebiasaan ini menentukan sebagian besar hasil.
Sample rate: apakah 16 kHz cukup?
Ya, untuk ucapan. Google merekomendasikan 16,000 Hz atau lebih tinggi (praktik terbaik); tutorialnya menjelaskan bahwa laju lebih rendah menyisakan sedikit atau tidak ada informasi di atas 8 kHz. Kode Whisper sumber terbuka OpenAI mengubah setiap input menjadi mono 16,000 Hz sebelum model memprosesnya (whisper/audio.py). Merekam pada 44.1 atau 48 kHz tidak masalah, hanya lebih besar.
Menaikkan laju setelahnya tidak membantu: Google mencatat file 8 kHz yang di-upsample ke 44.1 kHz tetap hanya memiliki rentang frekuensi sekitar 4 kHz. Unggah audio telepon, umumnya 8,000 Hz, pada laju aslinya.
Bit depth: 16-bit atau 24-bit?
Google merekomendasikan 16 bit atau lebih dan menyatakan mengonversi audio 8-bit ke 16-bit tidak menambah informasi karena rentang dinamis ditentukan saat merekam. Mempertahankan 24-bit dari perekam tidak masalah; mengonversi 16-bit ke 24-bit tidak menambah apa pun.
Bitrate untuk file terkompresi
Tidak ada standar bitrate yang menjamin transkripsi bagus. Panduan Google membahas jenis codec: codec lossy dapat mengurangi akurasi, dan kebisingan atau gema lebih berdampak jika disertai kompresi lossy. Jika harus mengompresi, lakukan sekali pada pengaturan sedang dan hindari rangkaian seperti WAV ke MP3 ke OGG.
Jarak mikrofon, kebisingan, dan level
Dari saran praproses Google:
- Letakkan mikrofon sedekat mungkin secara wajar dengan pembicara, terutama jika ada kebisingan latar.
- Hindari clipping. Puncak yang terdistorsi tidak dapat diperbaiki kemudian.
- Matikan automatic gain control dan pengurangan kebisingan jika aplikasi memungkinkan. Google menyatakan pemrosesan pengurangan kebisingan sebelum pengenalan biasanya mengurangi akurasi.
Mono atau stereo?
Untuk satu mikrofon bersama, mono cukup. Whisper tetap mencampur stereo menjadi mono, sehingga stereo dengan suara sama di kedua sisi hanya menggandakan unggahan. Stereo layak dipertahankan jika setiap sisi memuat orang berbeda, seperti banyak perekam panggilan atau satu lavalier per channel. Google menyarankan mengirim setiap channel secara terpisah dalam kasus itu, dan rekaman campuran apa adanya.
Rekaman multitrack
Alat podcast dan wawancara jarak jauh sering merekam setiap orang pada trek terpisah. Ekspor satu trek campuran dan aktifkan label pembicara (paling sederhana), atau transkripsikan setiap trek secara terpisah dan gabungkan teks berdasarkan timestamp (audio paling jelas, tetapi Anda harus menggabungkan).
Format dan pengaturan yang disarankan berdasarkan situasi
Situasi yang lebih umum adalah "sudah memiliki file", dan jawabannya biasanya "unggah".
| Situasi | Rekam sebagai (jika dapat memilih) | Jika sudah memiliki | Sebelum unggah | Perhatikan |
|---|---|---|---|---|
| Wawancara tatap muka | WAV atau FLAC, mono per mikrofon, 44.1 atau 48 kHz | M4A atau MP3 dari ponsel | Catat nama dan istilah | Narasumber lebih pelan daripada pewawancara |
| Wawancara jarak jauh atau podcast, per trek | Trek masing-masing pembicara, lossless | WAV terpisah ditambah MP3 campuran | Pilih campuran atau per trek | Suara tumpang tindih pada campuran |
| Rekaman rapat (Zoom, Teams, Meet) | Opsi audio platform, jika tersedia | MP4 atau M4A | Ekstrak audio hanya jika video terlalu besar | Satu mikrofon laptop untuk seluruh ruangan |
| Voice memo ponsel | Default aplikasi | .m4a | Ekspor file asli | Ponsel di saku saat merekam |
| Episode podcast terbit | Tidak berlaku | MP3 yang dirilis | Gunakan WAV atau FLAC sebelum rilis jika ada | Pembuka musik; atur bahasa |
| Kuliah atau seminar | Mono, 16-bit, mikrofon dekat pengajar | MP3 panjang atau video | Periksa durasi terhadap 10 jam | Pertanyaan audiens jauh dari mikrofon |
| Rekaman panggilan telepon | Default perekam | AMR, M4A, atau WAV 8 kHz | Pertahankan sample rate asli | Aturan persetujuan; jangan upsample |
Perekaman panggilan menimbulkan pertanyaan persetujuan; dapatkan persetujuan yang diperlukan sebelum merekam. Panduan cara merekam panggilan telepon dan hukum perekaman panggilan berdasarkan negara bagian membahasnya. Ini bukan nasihat hukum.
Cara mengonversi audio untuk transkripsi dengan FFmpeg
Konversikan hanya jika ada alasan: file terlalu besar, ingin unggahan lebih ringan dari video, alat menolak codec, atau ingin pembicara dalam file terpisah. Konversi demi "kualitas" tidak berhasil.
Lima perintah di bawah dan pemisahan WAV telah diuji pada media sintetis di macOS dengan FFmpeg 4.3, dengan hasil diperiksa menggunakan ffprobe. Opsi dijelaskan dalam dokumentasi FFmpeg.
1. File apa pun ke WAV mono 16 kHz 16-bit (bentuk yang sama dengan konversi internal Whisper):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. File apa pun ke FLAC mono 16 kHz (lossless dan dalam banyak kasus lebih kecil daripada WAV):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. Video ke MP3 mono kecil (menambahkan satu tahap lossy; gunakan jika ukuran paling penting):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. Ambil audio dari video tanpa enkode ulang (berfungsi jika audio adalah AAC, yang umum dalam file MP4):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. Pisahkan rekaman dua channel menjadi satu file per pembicara (menggunakan filter channelsplit):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| Opsi | Fungsinya |
|---|---|
-ac 1 |
Mencampur audio menjadi satu channel |
-ar 16000 |
Mengatur sample rate keluaran ke 16,000 Hz |
-c:a pcm_s16le |
Menulis PCM tidak terkompresi 16-bit (WAV standar) |
-vn |
Menghapus stream video |
-c:a copy |
Menyalin audio apa adanya, tanpa perubahan kualitas |
-b:a 64k |
Mengatur bitrate lossy |
Pilih perintah 4 dibandingkan perintah 3 jika audio video sudah AAC karena mempertahankan kualitas asli. Untuk audio telepon 8 kHz, hilangkan -ar 16000 agar tidak melakukan upsampling.
Tidak menggunakan baris perintah? Konverter audio dan video ke MP3 whispertranscribe.ai mengekstrak trek audio dari MP4, MOV, MKV, WEBM, atau AVI di browser. Halamannya menyatakan alat menggunakan WebAssembly dan file diproses di browser, bukan diunggah.
File besar: tetap di bawah 5GB dan 10 jam
- Terlalu besar tetapi kurang dari 10 jam: biasanya video atau WAV resolusi tinggi. Ekstrak audio (perintah 4 atau konverter browser) atau konversi WAV ke FLAC (perintah 2).
- Lebih dari 10 jam: halaman unggahan menampilkan pesan bahwa saat ini hanya file hingga 10 jam yang dapat diproses dan meminta pengguna memperpendek file. Bagi file. Perintah pemisahan tanpa enkode ulang dalam panduan MP3 ke teks juga bekerja pada WAV. Periksa sambungan saat menggabungkan teks.
- Koneksi lambat: satu jam MP3 64 kbps sekitar 28.8 MB, dibandingkan 635 MB untuk WAV stereo bergaya CD. Simpan file lossless asli sebagai arsip.
Pemecahan masalah format audio
| Masalah | Kemungkinan penyebab | Yang dapat dicoba |
|---|---|---|
| "No audio detected. The file may be corrupted. Please check the file and try again." (ditampilkan di halaman unggahan kami) | File rusak, video diekspor tanpa suara, atau trek audio kosong | Putar secara lokal; jalankan pemeriksaan audio ffprobe di atas (tanpa output berarti tidak ada stream audio); ekspor ulang dari aplikasi asli |
| Unggahan ditolak karena terlalu panjang | File lebih dari 10 jam | Bagi menjadi bagian 10 jam atau kurang |
| File terlalu besar | Video atau WAV resolusi tinggi dengan banyak channel | Ekstrak audio atau konversikan WAV ke FLAC |
| WAV lebih dari 4 GB tidak dapat dibuka atau diunggah | Batas WAV klasik | Ekspor ulang sebagai RF64 atau FLAC, atau bagi file |
| Satu pembicara jauh lebih pelan | Setiap orang berada pada channel terpisah dengan level berbeda | Pisahkan channel (perintah 5) dan transkripsikan setiap file |
| Puncak terdistorsi dan berderak | Clipping saat merekam | Tidak dapat diperbaiki; turunkan gain input lain kali |
| Audio telepon tetap buruk setelah konversi ke 48 kHz | Upsampling tidak menambah informasi | Unggah file asli; coba opsi bahasa "Noise / Low-Quality Audio/Video" jika tersedia |
Posisi whispertranscribe.ai
whispertranscribe.ai adalah alat transkripsi yang didukung model Whisper OpenAI dan berjalan di browser web (tanpa aplikasi, API, atau pemeriksaan manusia). Konverter audio ke teks gratis dan halaman unggahan lain mencantumkan format berikut: MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG, dan MPEG.
- Batas: file hingga 5GB dan 10 jam.
- Bahasa: lebih dari 130 bahasa, dengan opsi "Noise / Low-Quality Audio/Video" untuk banyak bahasa.
- Akurasi: hingga 99% pada audio jelas. Kebisingan, jarak, aksen, dan suara tumpang tindih menurunkannya.
- Pembicara: aktifkan Speaker Detection sebelum transkripsi.
- Ekspor: DOCX, PDF, TXT, CSV, SRT, dan VTT.
- Privasi: kebijakan privasi menyatakan unggahan asli dihapus setelah pemrosesan dan file MP3 hasil ekstraksi disimpan 30 hari secara default.
Untuk rekaman tertentu, lihat halaman file MP3, voice memo, panggilan telepon, wawancara, dan kuliah dan seminar. Coba file di halaman gratis tanpa akun (batas ditampilkan di sana). Paket berbayar: mulai $9.99/bulan dengan penagihan tahunan (harga). Sisanya ada di halaman fitur.
FAQ
Apa format audio terbaik untuk transkripsi?
WAV atau FLAC adalah format audio terbaik untuk transkripsi jika Anda mengendalikan perekaman, idealnya mono pada 16 kHz atau lebih tinggi dengan kedalaman 16-bit. Jika sudah memiliki file terkompresi seperti MP3, M4A, atau Opus, unggah apa adanya alih-alih mengonversi. Kualitas rekaman, yaitu mikrofon dekat, kebisingan latar rendah, dan tanpa clipping, biasanya lebih penting daripada pilihan format tersebut.
Apakah WAV lebih baik daripada MP3 untuk transkripsi?
WAV yang direkam dari sumber mempertahankan lebih banyak detail daripada MP3, dan Google mencatat codec lossy seperti MP3 dapat mengurangi akurasi pengenalan. Selisih sering kecil pada ucapan jelas dan lebih besar pada rekaman bising. WAV yang dibuat dari MP3 yang sudah ada tidak lebih baik daripada MP3 tersebut karena detail yang dibuang telah hilang. Rekam dalam WAV atau FLAC jika bisa, dan unggah MP3 apa adanya.
Sample rate apa yang sebaiknya digunakan untuk transkripsi?
Gunakan 16 kHz atau lebih tinggi. Google merekomendasikan setidaknya 16,000 Hz untuk pengenalan ucapan, dan Whisper OpenAI mengubah semua audio menjadi mono 16 kHz sebelum pemrosesan. Merekam pada 44.1 atau 48 kHz tidak masalah dan umum dilakukan. Jangan menaikkan laju yang lebih rendah setelahnya: rekaman telepon 8 kHz sebaiknya diunggah pada 8 kHz karena upsampling menambah ukuran file tetapi tidak menambah informasi ucapan.
Haruskah saya merekam dalam mono atau stereo untuk transkripsi?
Rekam dalam mono jika semua orang berbagi satu mikrofon. Whisper tetap mencampur stereo menjadi mono, sehingga salinan stereo dari suara yang sama hanya menggandakan ukuran file. Pertahankan stereo atau multitrack jika setiap pembicara berada pada channel terpisah, seperti perekam panggilan atau satu mikrofon per narasumber. Google menyarankan mentranskripsikan channel terpisah secara terpisah, yang dapat dilakukan dengan memisahkannya menggunakan FFmpeg.
Berapa besar file WAV per menit?
Bergantung pada pengaturan: kalikan sample rate dengan byte per sampel dan channel untuk mendapatkan byte per detik. WAV mono 16 kHz, 16-bit adalah 16,000 × 2 × 1 = 32,000 byte per detik, sekitar 1.92 MB per menit atau 115.2 MB per jam. Stereo bergaya CD 44.1 kHz, 16-bit sekitar 10.58 MB per menit atau 635 MB per jam.
Bisakah saya mengunggah file video alih-alih mengekstrak audio?
Ya. Alat transkripsi membaca trek audio dan mengabaikan gambar, sehingga MP4, MOV, MKV, atau WEBM memberikan transkrip yang sama dengan audio hasil ekstraksinya. Video hanya memperbesar unggahan. Ekstrak audio ketika file mendekati batas ukuran atau koneksi lambat, misalnya dengan -vn -c:a copy FFmpeg, yang mempertahankan kualitas audio asli. Di whispertranscribe.ai Anda dapat mengunggah video apa adanya dan mengekspor DOCX, TXT, SRT, atau VTT.
Sudah memiliki rekaman? Unggah apa adanya ke whispertranscribe.ai di konverter audio ke teks gratis: pilih salah satu dari lebih dari 130 bahasa, aktifkan Speaker Detection, lalu unduh DOCX, TXT, SRT, atau VTT. File hingga 5GB dan 10 jam.
Referensi
- Google Cloud: Praktik terbaik Speech-to-Text (menyediakan data ucapan)
- Google Cloud: Optimasi file audio untuk Speech-to-Text
- OpenAI: whisper/audio.py di repositori GitHub Whisper
- FFmpeg: Dokumentasi baris perintah ffmpeg dan filter channelsplit
- Library of Congress: Format File Audio WAVE (fdd000001)
- Library of Congress: AMR, Adaptive Multi-Rate Speech Codec (fdd000254)
