Besta hljóðsniðið fyrir umritun: hvað á að taka upp, hlaða upp og umbreyta

Ritstjórn whispertranscribe.ai · Síðast uppfært: nóvember 2026 · 12 mínútna lestur

Besta hljóðsniðið fyrir umritun er taplaust WAV (16 bita PCM) eða FLAC, tekið upp í mónó við 16 kHz eða hærra þegar þú stjórnar upptökunni. Ef þú ert þegar með MP3-, M4A- eða myndskeiðsskrá skaltu hlaða henni upp óbreyttri. Umbreyting þjappaðrar skrár endurheimtir ekki glötuð smáatriði og fjarlægð hljóðnema og hávaði hafa meiri áhrif.

Hér að neðan: hvað skal velja fyrir upptöku, hvernig meðhöndla á skrá sem þú fékkst, stærðarformúlur, stillingar eftir aðstæðum, FFmpeg-skipanir og bilanatafla.

Upplýsingagjöf. whispertranscribe.ai gefur þessa leiðbeiningu út. Tæknilegar fullyrðingar vísa til Google Cloud, Whisper-kóða OpenAI, FFmpeg eða Library of Congress. Við gerðum engin nákvæmnispróf fyrir greinina og lofum ekki tiltekinni prósentuaukningu vegna sniðs.

Stutt svar: besta hljóðsniðið fyrir umritun

Veldu eftir því hvar þú ert í vinnuferlinu, ekki einum „sigurvegara“.

Aðstæður Besti kostur Hvers vegna
Þú ert að stilla upptökutæki eða forrit WAV (16 bita) eða FLAC, mónó, 16 kHz eða hærra Google mælir með taplausu FLAC eða LINEAR16 fyrir talgreiningu
Þú þarft litlar skrár við upptöku Tapaður merkjari sem hentar tali með meðalbitahraða Æskilegir tapaðir talkóðarar Google í röð: AMR-WB, Ogg Opus, Speex
Þú ert þegar með MP3, M4A eða Opus Hladdu upprunaskránni upp Endurkóðun endurheimtir ekkert
Þú ert með myndskeið (MP4, MOV, MKV) Hladdu því upp; dragðu hljóðið út ef það er mjög stórt Aðeins hljóðrásin er notuð
Talendur voru teknir upp á aðskildar rásir Haltu rásunum Google ráðleggur að senda hverja rás sérstaklega þegar hver einstaklingur hefur sína

Hvenær þarf alls ekki að hafa áhyggjur af sniðinu: talskilaboð í síma, útgefinn hlaðvarpsþáttur eða Zoom- eða Teams-upptaka. Hladdu henni upp, veldu rétt talað tungumál og notaðu tímann í að yfirfara nöfn.

Snið, merkjari og ílát: hvað skráarendingin felur

Endingin nefnir ílátið, ekki alltaf þjöppunina. Leiðbeiningar Google um hagræðingu hljóðs segja skýrt að merkjarar og skráarsnið séu ekki það sama. Þrjú algeng atriði:

  • WAV inniheldur yfirleitt óþjappað línulegt PCM en getur líka innihaldið aðrar kóðanir (Library of Congress, WAVE).
  • M4A getur innihaldið tapað AAC eða taplaust Apple Lossless (ALAC).
  • OGG er ílát sem inniheldur yfirleitt Opus eða Vorbis, bæði töpuð.

Til að sjá hvað er í skrá skaltu biðja ffprobe frá FFmpeg um hljóðstrauma eingöngu:

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

Skipunin birtir eina línu fyrir hvern hljóðstraum. Ef ekkert birtist gæti skráin ekki haft hljóðrás; það er fljótleg athugun fyrir upphleðslu.

Samanburður hljóðsniða fyrir umritun

Hægt er að umrita öll sniðin hér að neðan. Munurinn felst í því hve mikil smáatriði varðveitast og stærð skrárinnar. Stærðir byggja á formúlunum í næsta kafla (1 MB = 1,000,000 bæti).

Snið Tapað eða taplaust Algengur uppruni Stærð á mínútu (dæmistilling) Áhrif á umritun Hvað á að gera
WAV (PCM) Óþjappað Upptökutæki, hljóðvinnsluforrit 1.92 MB við 16 kHz, 16 bita, mónó; 10.58 MB við 44.1 kHz, 16 bita, steríó Varðveitir allt sem hljóðneminn nam Best sem frumskrá; fylgstu með stærð í löngum upptökum
FLAC Taplaust (þjappað) Söfn, útflutningur úr vinnsluforritum Minna en sama WAV; sparnaður breytilegur Sama hljóð og WAV Notaðu í stað WAV til að spara pláss
AIFF / ALAC / CAF AIFF yfirleitt óþjappað; ALAC taplaust; CAF getur innihaldið hvort tveggja Mac- og iPhone-forrit AIFF: sama og WAV með sömu stillingum Fer eftir innri merkjara Hladdu upp óbreyttu
MP3 Tapað Hlaðvörp, niðurhal 0.96 MB við 128 kbps Google: tapaðir merkjarar geta dregið úr nákvæmni Hladdu upp óbreyttu
M4A / AAC Yfirleitt tapað (AAC) Talskilaboð, hljóð myndskeiða 0.48 MB við 64 kbps Sama varúð og fyrir MP3 Hladdu upprunaskránni upp
OGG / Opus Tapað Talskilaboð, netsímtöl 0.24 MB við 32 kbps Opus er á lista Google yfir æskilega tapaða talkóðara Hladdu upp óbreyttu
AMR (mjórra tíðnisvið) Tapað, aðeins tal Eldri símar og upptökutæki símtala Um 0.09 MB við 12.2 kbps Flytur aðeins 200 til 3,400 Hz (Library of Congress, AMR) Hladdu upp óbreyttu; ekki hækka sýnatökutíðni

Myndskeið virka á sama hátt: tólið les hljóðrásina, þannig að eini kostnaðurinn er stærri upphleðsla.

Hversu stór er hljóðskrá? Formúlurnar

Tvær formúlur gera þér kleift að áætla skráarstærð fyrir upptöku eða upphleðslu.

Óþjappað PCM (WAV, AIFF):

bytes per second = sample rate × (bit depth ÷ 8) × channels

Reiknidæmi:

  • 16 kHz, 16 bita, mónó: 16,000 × 2 × 1 = 32,000 bæti á sekúndu. × 60 = 1,920,000 bæti, um 1.92 MB á mínútu eða 115.2 MB á klukkustund.
  • 44.1 kHz, 16 bita, steríó: 44,100 × 2 × 2 = 176,400 bæti á sekúndu, um 10.58 MB á mínútu eða 635 MB á klukkustund.
  • 48 kHz, 24 bita, steríó: 48,000 × 3 × 2 = 288,000 bæti á sekúndu eða 1,036.8 MB á klukkustund.

Tapað með föstum bitahraða (MP3, AAC, Opus):

bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (það er kbps × 7,500)

  • 128 kbps: 128 × 7,500 = 960,000 bæti, um 0.96 MB á mínútu eða 57.6 MB á klukkustund.
  • 64 kbps: 0.48 MB á mínútu; 32 kbps: 0.24 MB á mínútu.

Raunverulegar skrár eru örlítið stærri vegna hausa og skrár með breytilegum bitahraða sveiflast um meðaltalið. Tölvur sem sýna tvíundareiningar (MiB) birta um 5% lægri tölur.

Hvað tölurnar þýða fyrir 5GB og 10 klukkustunda upphleðslumörk

whispertranscribe.ai tekur við skrám allt að 5GB og 10 klukkustundum. Svona passa algengar stillingar, miðað við að 5GB séu 5,000,000,000 bæti:

Stilling 1 klukkustund 10 klukkustundir Komast 10 klukkustundir undir 5GB?
WAV, 16 kHz, 16 bita, mónó 115.2 MB 1.15 GB Já
WAV, 44.1 kHz, 16 bita, steríó 635 MB 6.35 GB Nei: um 7.9 klukkustundir komast fyrir
WAV, 48 kHz, 24 bita, steríó 1.04 GB 10.37 GB Nei: um 4.8 klukkustundir komast fyrir
MP3, 128 kbps 57.6 MB 576 MB Já
Opus, 32 kbps 14.4 MB 144 MB Já

Hefðbundin WAV-skrá hefur einnig eigin mörk: 32 bita stærðarsviðið takmarkar hana við um 4 GB og lengri upptökur þurfa RF64-viðbótina (Library of Congress). Fyrir mjög langar taplausar upptökur forðast FLAC eða 16 kHz mónó WAV bæði vandamálin.

Hvað skiptir meira máli en hljóðsniðið?

Skýr rödd nærri hljóðnema, vistuð sem MP3, er yfirleitt betri en taplaus skrá tekin upp þvert yfir hávaðasamt herbergi. Eftirfarandi stillingar og venjur ráða mestu um niðurstöðuna.

Sýnatökutíðni: dugar 16 kHz?

Já, fyrir tal. Google mælir með 16,000 Hz eða hærra (bestu starfsvenjur); leiðbeiningin útskýrir að lægri tíðni skilji eftir litlar eða engar upplýsingar yfir 8 kHz. Opinn Whisper-kóði OpenAI breytir öllum inntökum í 16,000 Hz mónó áður en líkanið vinnur úr þeim (whisper/audio.py). Upptaka við 44.1 eða 48 kHz er í lagi, en stærri.

Að hækka tíðnina síðar hjálpar ekki: Google bendir á að 8 kHz skrá sem er hækkuð í 44.1 kHz hafi enn aðeins um 4 kHz tíðnisvið. Hladdu símahljóði, oft 8,000 Hz, upp á upprunalegri tíðni.

Bitadýpt: 16 eða 24 bita?

Google mælir með 16 bitum eða meira og segir að umbreyting 8 bita hljóðs í 16 bita bæti engu við þar sem hreyfisviðið var ákveðið við upptöku. Að halda 24 bita úr upptökutæki skaðar ekki; umbreyting 16 í 24 bita bætir engu við.

Bitahraði þjappaðra skráa

Enginn staðall setur bitahraða sem tryggir góða umritun. Leiðbeiningar Google fjalla um tegund merkjara: tapaðir merkjarar geta dregið úr nákvæmni og hávaði eða bergmál skaða meira með tapaðri þjöppun. Ef þú verður að þjappa skaltu gera það einu sinni með meðalstillingu og forðast keðjur eins og WAV í MP3 í OGG.

Fjarlægð hljóðnema, hávaði og styrkur

Samkvæmt forvinnsluráðum Google:

  • Settu hljóðnemann eins nálægt talandanum og skynsamlegt er, sérstaklega með bakgrunnshávaða.
  • Forðastu ofmögnun. Ekki er hægt að laga bjagaða toppa síðar.
  • Slökktu á sjálfvirkri styrkstýringu og hávaðaminnkun ef forritið leyfir. Google segir að hávaðaminnkun fyrir greiningu dragi yfirleitt úr nákvæmni.

Mónó eða steríó?

Fyrir einn sameiginlegan hljóðnema dugar mónó. Whisper blandar steríó hvort eð er niður í mónó, svo steríó með sömu rödd beggja vegna tvöfaldar aðeins upphleðsluna. Steríó er þess virði að halda þegar hvor hlið hefur sinn einstakling, eins og í mörgum símtalaupptökum eða með einum bindishljóðnema á rás. Google ráðleggur þá að senda hverja rás sérstaklega og blandaða upptöku óbreytta.

Fjölrása upptökur

Hlaðvarps- og fjarviðtalstól taka oft hvern einstakling upp á sér rás. Annaðhvort flyturðu út eina blandaða rás og kveikir á talandamerkingum (einfaldast) eða umritar hverja rás sérstaklega og sameinar textana eftir tímastimplum (hreinasta hljóðið, en þú sameinar sjálfur).

Ráðlögð snið og stillingar eftir aðstæðum

Algengara er að skráin sé þegar til og svarið er yfirleitt að hlaða henni upp.

Aðstæður Taktu upp sem (ef þú velur) Ef þú ert þegar með Fyrir upphleðslu Gættu að
Viðtal á staðnum WAV eða FLAC, mónó á hljóðnema, 44.1 eða 48 kHz M4A eða MP3 úr síma Skráðu nöfn og hugtök Gestur hljóðlátari en viðmælandi
Fjarviðtal eða hlaðvarp, á rás Eigin taplaus rás hvers talanda Aðskilin WAV og blandað MP3 Veldu blöndu eða stakar rásir Raddir sem skarast í blöndunni
Fundarupptaka (Zoom, Teams, Meet) Hljóðval vettvangsins, ef það er til MP4 eða M4A Dragðu hljóð út aðeins ef myndskeiðið er mjög stórt Einn fartölvuhljóðnemi fyrir heilt herbergi
Talskilaboð í síma Sjálfgefið snið forritsins .m4a Flyttu upprunaskrána út Sími í vasa við upptöku
Útgefinn hlaðvarpsþáttur Á ekki við Útgefið MP3 Notaðu WAV eða FLAC fyrir útgáfu ef til er Tónlistarupphaf; stilltu tungumál
Fyrirlestur eða málstofa Mónó, 16 bita, hljóðnemi nálægt fyrirlesara Langt MP3 eða myndskeið Athugaðu lengd miðað við 10 klukkustundir Spurningar áhorfenda utan hljóðnema
Upptaka símtals Sjálfgefið snið upptökutækis AMR, M4A eða 8 kHz WAV Haltu upprunalegri sýnatökutíðni Samþykkisreglur; ekki hækka tíðnina

Fáðu nauðsynlegt samþykki áður en símtal er tekið upp. Leiðbeiningar okkar um upptöku símtals og lög um símtalaupptökur eftir ríkjum fjalla nánar um það. Þetta er ekki lögfræðiráðgjöf.

Hvernig á að umbreyta hljóði fyrir umritun með FFmpeg

Umbreyttu aðeins af ástæðu: skráin er of stór, þú vilt minni upphleðslu úr myndskeiði, tól hafnar merkjaranum eða þú vilt talendur í aðskildum skrám. Umbreyting til að auka „gæði“ virkar ekki.

Með ffprobe má athuga merkjara, sýnatökutíðni og rásir úttaksins. Valkostir eru útskýrðir í FFmpeg-skjölunum.

1. Hvaða skrá sem er í 16 kHz mónó 16 bita WAV (sama form og Whisper notar innanhúss):

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

2. Hvaða skrá sem er í 16 kHz mónó FLAC (taplaust og í flestum tilvikum minna en WAV):

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

3. Myndskeið í lítið mónó MP3 (bætir einu töpuðu skrefi við; notaðu þegar stærð skiptir mestu):

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

4. Dragðu hljóð úr myndskeiði án endurkóðunar (virkar þegar hljóðið er AAC, sem er algengt í MP4):

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

5. Skiptu tveggja rása upptöku í eina skrá fyrir hvern talanda (notar channelsplit-síuna):

ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
Valkostur Hvað hann gerir
-ac 1 Blandar hljóðinu niður í eina rás
-ar 16000 Stillir sýnatökutíðni úttaks á 16,000 Hz
-c:a pcm_s16le Skrifar 16 bita óþjappað PCM (hefðbundið WAV)
-vn Fellir myndstrauminn út
-c:a copy Afritar hljóðið óbreytt án gæðabreytingar
-b:a 64k Stillir tapaðan bitahraða

Veldu skipun 4 fremur en 3 þegar hljóð myndskeiðsins er þegar AAC, því hún varðveitir upprunaleg gæði. Fyrir 8 kHz símahljóð skaltu sleppa -ar 16000 svo tíðnin hækki ekki.

Engin skipanalína? Hljóð- og myndskeiðaumbreyting í MP3 hjá whispertranscribe.ai dregur hljóðrás úr MP4, MOV, MKV, WEBM eða AVI í vafranum. Síðan segir að WebAssembly sé notað og skrár unnar í vafranum, ekki hlaðið upp.

Stórar skrár: haltu þér undir 5GB og 10 klukkustundum

  • Of stór skrá en undir 10 klukkustundum: yfirleitt myndskeið eða háupplausnar-WAV. Dragðu hljóðið út (skipun 4 eða vafraverkfærið) eða breyttu WAV í FLAC (skipun 2).
  • Lengri en 10 klukkustundir: upphleðslusíðan sýnir „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.“ Skiptu skránni. Skipunin án endurkóðunar í leiðbeiningum okkar um MP3 í texta virkar líka á WAV. Athugaðu samskeytin þegar textinn er sameinaður.
  • Hæg tenging: ein klukkustund af 64 kbps MP3 er um 28.8 MB á móti 635 MB fyrir steríó-WAV í geisladiskagæðum. Geymdu taplausu frumskrána í safni.

Úrræðaleit fyrir hljóðsnið

Vandamál Líkleg orsök Prófaðu
„No audio detected. The file may be corrupted. Please check the file and try again.“ (birtist á upphleðslusíðum okkar) Skemmd skrá, myndskeið flutt út án hljóðs eða tóm hljóðrás Spilaðu staðbundið; keyrðu ffprobe-athugunina að ofan (ekkert úttak þýðir engan hljóðstraum); flyttu aftur út úr upprunalega forritinu
Upphleðslu hafnað sem of langri Skrá yfir 10 klukkustundum Skiptu í hluta sem eru 10 klukkustundir eða skemmri
Skrá of stór Myndskeið eða háupplausnar fjölrása WAV Dragðu hljóðið út eða breyttu WAV í FLAC
WAV yfir 4 GB opnast ekki eða hleðst ekki upp Stærðarmörk hefðbundins WAV Flyttu aftur út sem RF64 eða FLAC eða skiptu skránni
Einn talandi er mun hljóðlátari Hvor einstaklingur er á sér rás með mismunandi upptökustyrk Skiptu rásunum (skipun 5) og umritaðu hverja skrá
Bjagaðir, brakandi toppar Ofmögnun við upptöku Ekki hægt að laga; lækkaðu inntaksstyrk næst
Símahljóð enn lélegt eftir umbreytingu í 48 kHz Hækkun tíðni bætir engum upplýsingum við Hladdu upprunaskránni upp; prófaðu „Noise / Low-Quality Audio/Video“ þar sem það er í boði

Hvar whispertranscribe.ai kemur inn

whispertranscribe.ai er umritunartól knúið Whisper-líkönum OpenAI sem keyrir í vafra (ekkert app, API eða mannleg yfirlestur). Ókeypis hljóð-í-texta umbreytirinn og aðrar upphleðslusíður telja upp MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG og MPEG.

  • Mörk: skrár allt að 5GB og 10 klukkustundir.
  • Tungumál: 130+ tungumál, með „Noise / Low-Quality Audio/Video“ fyrir mörg þeirra.
  • Nákvæmni: allt að 99% með skýru hljóði. Hávaði, fjarlægð, hreimur og skörun draga úr henni.
  • Talendur: kveiktu á Speaker Detection fyrir umritun.
  • Útflutningur: DOCX, PDF, TXT, CSV, SRT og VTT.
  • Persónuvernd: persónuverndarstefnan segir að upphlaðnum frumskrám sé eytt eftir vinnslu og útdregnar MP3-skrár geymdar sjálfgefið í 30 daga.

Fyrir tilteknar upptökur, sjá síður fyrir MP3-skrár, talskilaboð, símtöl, viðtöl og fyrirlestra og málstofur. Prófaðu skrá á ókeypis síðu án reiknings (mörk eru sýnd þar). Greiddar áskriftir frá $9.99/mánuði með árlegri greiðslu (verð). Annað er á eiginleikasíðunni.

Algengar spurningar

Hvert er besta hljóðsniðið fyrir umritun?

WAV eða FLAC er besta sniðið þegar þú stjórnar upptökunni, helst í mónó við 16 kHz eða hærra og 16 bita dýpt. Ef þú ert þegar með þjappaða MP3-, M4A- eða Opus-skrá skaltu hlaða henni upp óbreyttri í stað umbreytingar. Upptökugæði, það er nálægur hljóðnemi, lítill bakgrunnshávaði og engin ofmögnun, skipta yfirleitt meira máli en sniðið.

Er WAV betra en MP3 fyrir umritun?

WAV sem er tekið upp frá uppsprettu varðveitir meiri smáatriði en MP3 og Google bendir á að tapaðir merkjarar eins og MP3 geti dregið úr greiningarnákvæmni. Munurinn er oft lítill við skýrt tal og meiri í hávaða. WAV sem er búið til úr MP3 er ekki betra en MP3-skráin því upplýsingar sem var hent eru horfnar. Taktu upp í WAV eða FLAC þegar hægt er og hladdu MP3 upp óbreyttu.

Hvaða sýnatökutíðni ætti ég að nota við umritun?

Notaðu 16 kHz eða hærra. Google mælir með að minnsta kosti 16,000 Hz fyrir talgreiningu og Whisper frá OpenAI breytir öllu hljóði í 16 kHz mónó fyrir vinnslu. Upptaka við 44.1 eða 48 kHz er í lagi og algeng. Hækkaðu aldrei lægri tíðni síðar: hlaða ætti 8 kHz símaupptöku upp við 8 kHz því hækkun stækkar skrána en bætir engum talupplýsingum við.

Ætti ég að taka upp í mónó eða steríó fyrir umritun?

Taktu upp í mónó þegar allir deila einum hljóðnema. Whisper blandar steríó hvort eð er í mónó, svo steríóafrit af sömu rödd tvöfaldar aðeins skráarstærð. Haltu steríó eða mörgum rásum þegar hver talandi er á sér rás, eins og í símtalaupptöku eða með einum hljóðnema á gest. Google ráðleggur að umrita aðskildar rásir sérstaklega, sem má gera með því að skipta þeim í FFmpeg.

Hversu stór er WAV-skrá á mínútu?

Það fer eftir stillingunum: margfaldaðu sýnatökutíðni með bætum á sýni og fjölda rása til að fá bæti á sekúndu. 16 kHz, 16 bita mónó WAV er 16,000 × 2 × 1 = 32,000 bæti á sekúndu, um 1.92 MB á mínútu eða 115.2 MB á klukkustund. Geisladiskasteríó, 44.1 kHz og 16 bita, er um 10.58 MB á mínútu eða 635 MB á klukkustund.

Get ég hlaðið upp myndskeiði í stað þess að draga hljóðið út?

Já. Umritunartól lesa hljóðrásina og hunsa myndina, svo MP4, MOV, MKV eða WEBM gefur sömu umritun og útdregið hljóð þess. Myndskeið stækkar aðeins upphleðsluna. Dragðu hljóðið út þegar skrá er nálægt stærðarmörkum eða tengingin hæg, til dæmis með -vn -c:a copy í FFmpeg sem varðveitir upprunaleg hljóðgæði. Í whispertranscribe.ai geturðu hlaðið myndskeiðinu upp óbreyttu og flutt út DOCX, TXT, SRT eða VTT.


Ertu með upptöku tilbúna? Hladdu henni upp óbreyttri í ókeypis hljóð-í-texta umbreyti whispertranscribe.ai: veldu eitt af 130+ tungumálum, kveiktu á Speaker Detection og sæktu DOCX, TXT, SRT eða VTT. Skrár allt að 5GB og 10 klukkustundir.

Heimildir

Viltu breyta upptökunum þínum í texta?

Breyttu hljóði og myndskeiðum í texta með whispertranscribe.ai.

Hefja umritun ↗