Geriausias garso formatas transkripcijai: įrašymas, įkėlimas ir konvertavimas

whispertranscribe.ai redakcija · Paskutinį kartą atnaujinta: 2026 m. lapkritį · Skaitymo trukmė: 12 min.

Geriausias garso formatas transkripcijai, kai galite valdyti įrašymą, yra nenuostolingas WAV (16 bitų PCM) arba FLAC, įrašytas mono režimu 16 kHz ar didesniu dažniu. Jei jau turite MP3, M4A arba vaizdo failą, įkelkite jį tokį, koks yra. Suglaudinto failo konvertavimas neatkuria prarastų detalių, o mikrofono atstumas ir triukšmas rezultatui daro didesnę įtaką.

Toliau: ką pasirinkti prieš įrašant, kaip elgtis su gautu failu, failo dydžio formulės, nustatymai pagal situaciją, FFmpeg komandos ir trikčių lentelė.

Atskleidimas. Šį gidą skelbia whispertranscribe.ai. Techninių teiginių nuorodos veda į Google Cloud, OpenAI Whisper kodą, FFmpeg arba Kongreso biblioteką. Šiam straipsniui tikslumo testų neatlikome ir nežadame, kad kuris nors formatas tikslumą padidins nustatytu procentu.

Trumpas atsakymas: geriausias garso formatas transkripcijai

Rinkitės pagal darbo etapą, o ne vieną universalų „nugalėtoją“.

Jūsų situacija Geriausias pasirinkimas Kodėl
Nustatote įrašymo įrenginį ar programėlę WAV (16 bitų) arba FLAC, mono, 16 kHz ar daugiau Google kalbos atpažinimui rekomenduoja nenuostolingą FLAC arba LINEAR16
Įrašant reikia mažų failų Kalbai tinkamas nuostolingas kodekas su vidutine bitų sparta Google rekomenduojami nuostolingi kalbos kodekai eilės tvarka: AMR-WB, Ogg Opus, Speex
Jau turite MP3, M4A arba Opus failą Įkelkite originalą Pakartotinis kodavimas nieko neatkuria
Turite vaizdo įrašą (MP4, MOV, MKV) Įkelkite; ištraukite garsą, jei failas labai didelis Naudojamas tik garso takelis
Kalbėtojai įrašyti atskiruose takeliuose Išsaugokite takelius Google pataria kiekvieną kanalą pateikti atskirai, kai kiekvienas žmogus turi savo

Kada dėl formato nesirūpinti: telefono balso atmintinė, paskelbta tinklalaidės laida arba Zoom ar Teams įrašas. Įkelkite jį, pasirinkite tinkamą kalbą ir laiką skirkite vardams patikrinti.

Formatas, kodekas ir konteineris: ką slepia failo plėtinys

Plėtinys nurodo konteinerį, bet ne visada glaudinimą. Google garso optimizavimo pamoka aiškina: kodekai ir failų formatai nėra tas pats. Trys dažni netikėtumai:

  • WAV paprastai saugo nesuglaudintą linijinį PCM, tačiau gali turėti ir kitokį kodavimą (Kongreso biblioteka, WAVE).
  • M4A gali turėti nuostolingą AAC arba nenuostolingą Apple Lossless (ALAC).
  • OGG yra konteineris, paprastai turintis Opus arba Vorbis; abu yra nuostolingi.

Norėdami pamatyti tik garso srautus, naudokite FFmpeg ffprobe:

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

Komanda pateikia po eilutę kiekvienam garso srautui. Jei nieko nerodoma, prieš įkeldami patikrinkite, ar faile yra garso takelis.

Garso formatų palyginimas transkripcijai

Visus toliau pateiktus formatus galima transkribuoti. Skiriasi išlikusių detalių kiekis ir failo dydis. Dydžiai apskaičiuoti pagal kito skyriaus formules (1 MB = 1,000,000 baitų).

Formatas Nuostolingas ar nenuostolingas Įprasta kilmė Dydis per minutę (nustatymo pavyzdys) Įtaka transkripcijai Ką daryti
WAV (PCM) Nesuglaudintas Lauko įrašymo įrenginiai, garso redaktoriai 1.92 MB esant 16 kHz, 16 bitų, mono; 10.58 MB esant 44.1 kHz, 16 bitų, stereo Išsaugo viską, ką užfiksavo mikrofonas Geras originalas; stebėkite ilgų įrašų dydį
FLAC Nenuostolingas (suglaudintas) Archyvai, redaktorių eksportai Mažesnis už tokį pat WAV; sutaupymas skiriasi Toks pat garsas kaip WAV Taupydami vietą naudokite vietoj WAV
AIFF / ALAC / CAF AIFF paprastai nesuglaudintas; ALAC nenuostolingas; CAF gali turėti abu Mac ir iPhone programėlės AIFF: kaip WAV tais pačiais nustatymais Priklauso nuo vidinio kodeko Įkelkite originalą
MP3 Nuostolingas Tinklalaidės, atsisiuntimai 0.96 MB esant 128 kbps Google: nuostolingi kodekai gali sumažinti tikslumą Įkelkite originalą
M4A / AAC Paprastai nuostolingas (AAC) Balso atmintinės, vaizdo garso takeliai 0.48 MB esant 64 kbps Tas pats perspėjimas kaip MP3 Įkelkite originalą
OGG / Opus Nuostolingas Balso žinutės, interneto skambučiai 0.24 MB esant 32 kbps Opus yra Google rekomenduojamų nuostolingų kalbos kodekų sąraše Įkelkite originalą
AMR (siaurajuostis) Nuostolingas, tik kalbai Seni telefonai ir skambučių įrašymo įrenginiai Apie 0.09 MB esant 12.2 kbps Perduoda tik 200–3,400 Hz (Kongreso biblioteka, AMR) Įkelkite originalą; nedidinkite diskretizavimo dažnio

Vaizdo failai veikia taip pat: įrankis skaito garso takelį, todėl papildomai kainuoja tik įkėlimo dydis.

Kokio dydžio garso failas? Formulės

Dvi formulės leidžia įvertinti failo dydį prieš įrašant arba įkeliant.

Nesuglaudintas PCM (WAV, AIFF):

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

Skaičiavimo pavyzdžiai:

  • 16 kHz, 16 bitų, mono: 16,000 × 2 × 1 = 32,000 baitų per sekundę. × 60 = 1,920,000 baitų, apie 1.92 MB per minutę arba 115.2 MB per valandą.
  • 44.1 kHz, 16 bitų, stereo: 44,100 × 2 × 2 = 176,400 baitų per sekundę, apie 10.58 MB per minutę arba 635 MB per valandą.
  • 48 kHz, 24 bitų, stereo: 48,000 × 3 × 2 = 288,000 baitų per sekundę arba 1,036.8 MB per valandą.

Nuostolingas formatas su pastovia bitų sparta (MP3, AAC, Opus):

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

  • 128 kbps: 128 × 7,500 = 960,000 baitų, apie 0.96 MB per minutę arba 57.6 MB per valandą.
  • 64 kbps: 0.48 MB per minutę; 32 kbps: 0.24 MB per minutę.

Tikrieji failai dėl antraščių šiek tiek didesni, o kintamos bitų spartos failai svyruoja apie vidurkį. Kompiuteriai, rodantys dvejetainius vienetus (MiB), pateikia maždaug 5% mažesnius skaičius.

Ką šie skaičiai reiškia 5GB ir 10 valandų įkėlimo ribai

whispertranscribe.ai priima iki 5GB ir 10 valandų failus. Štai kaip telpa įprasti nustatymai, laikant, kad 5GB yra 5,000,000,000 baitų:

Nustatymas 1 valanda 10 valandų Ar 10 valandų telpa į 5GB?
WAV, 16 kHz, 16 bitų, mono 115.2 MB 1.15 GB Taip
WAV, 44.1 kHz, 16 bitų, stereo 635 MB 6.35 GB Ne: telpa apie 7.9 valandos
WAV, 48 kHz, 24 bitų, stereo 1.04 GB 10.37 GB Ne: telpa apie 4.8 valandos
MP3, 128 kbps 57.6 MB 576 MB Taip
Opus, 32 kbps 14.4 MB 144 MB Taip

Klasikinis WAV turi ir savo ribą: 32 bitų dydžio laukas riboja jį iki maždaug 4 GB, o ilgesniems įrašams reikia RF64 plėtinio (Kongreso biblioteka). Labai ilgiems nenuostolingiems įrašams FLAC arba 16 kHz mono WAV padeda išvengti abiejų problemų.

Kas svarbiau už garso formatą

Aiškus balsas šalia mikrofono, įrašytas MP3, paprastai geresnis už nenuostolingą failą, įrašytą kitoje triukšmingo kambario pusėje. Šie nustatymai ir įpročiai daugiausia lemia rezultatą.

Diskretizavimo dažnis: ar 16 kHz pakanka?

Taip, kalbai. Google rekomenduoja 16,000 Hz arba daugiau (geriausia praktika); pamoka aiškina, kad mažesniu dažniu virš 8 kHz lieka mažai informacijos arba jos nėra. OpenAI atvirojo kodo Whisper prieš modeliui apdorojant įvestį paverčia ją 16,000 Hz mono (whisper/audio.py). Įrašyti 44.1 ar 48 kHz tinka, tik failas didesnis.

Vėliau didinti dažnį nepadeda: Google nurodo, kad 8 kHz failas, paverstas 44.1 kHz, vis tiek turi tik apie 4 kHz dažnių diapazoną. Telefono garsą, paprastai 8,000 Hz, įkelkite pradiniu dažniu.

Bitų gylis: 16 ar 24 bitai?

Google rekomenduoja 16 bitų arba daugiau ir teigia, kad 8 bitų garso pavertimas 16 bitų nieko neduoda, nes dinaminis diapazonas nustatytas įrašant. Išsaugoti įrenginio 24 bitus nekenkia; konvertuojant 16 į 24 bitus nieko nepridedama.

Suglaudintų failų bitų sparta

Nėra standarto, kuris nustatytų gerą transkripciją garantuojančią bitų spartą. Google pataria pagal kodeko tipą: nuostolingi kodekai gali mažinti tikslumą, o triukšmas ir aidas kartu su nuostolingu glaudinimu kenkia labiau. Jei reikia glaudinti, darykite tai kartą vidutiniu nustatymu ir venkite grandinių, tokių kaip WAV į MP3 į OGG.

Mikrofono atstumas, triukšmas ir lygiai

Pagal Google išankstinio apdorojimo patarimus:

  • Mikrofoną laikykite kuo arčiau kalbėtojo, ypač kai yra foninio triukšmo.
  • Venkite signalo perkrovos. Iškraipytų viršūnių vėliau atkurti negalima.
  • Jei programa leidžia, išjunkite automatinį stiprinimo valdymą ir triukšmo mažinimą. Google teigia, kad triukšmo mažinimas prieš atpažinimą paprastai mažina tikslumą.

Mono ar stereo?

Vienam bendram mikrofonui pakanka mono. Whisper vis tiek sumaišo stereo į mono, todėl ta pati kalba abiejose pusėse tik padvigubina įkėlimo dydį. Stereo verta išsaugoti, kai kiekvienoje pusėje yra kitas žmogus, pavyzdžiui, kai kuriuose skambučių įrašuose arba naudojant po prisegamą mikrofoną kiekvienam kanalui. Google tada pataria siųsti kiekvieną kanalą atskirai, o sumaišytą įrašą palikti tokį, koks yra.

Kelių takelių įrašai

Tinklalaidžių ir nuotolinių interviu įrankiai dažnai įrašo kiekvieną žmogų atskirame takelyje. Eksportuokite vieną sumaišytą takelį ir įjunkite kalbėtojų žymas (paprasčiausia) arba transkribuokite kiekvieną takelį atskirai ir sujunkite tekstus pagal laiką (švaresnis garsas, tačiau jungti reikės patiems).

Rekomenduojamas formatas ir nustatymai pagal situaciją

Dažnesnė situacija yra „jau turiu“, o atsakymas paprastai — „įkelkite“.

Situacija Įrašykite taip (jei galite pasirinkti) Jei jau turite Prieš įkeldami Atkreipkite dėmesį
Interviu gyvai WAV arba FLAC, mono kiekvienam mikrofonui, 44.1 arba 48 kHz M4A arba MP3 iš telefono Pasižymėkite vardus ir terminus Svečias tylesnis už pašnekovą
Nuotolinis interviu ar tinklalaidė, kiekvienas takelis Kiekvieno kalbėtojo atskiras nenuostolingas takelis Atskiri WAV ir sumaišytas MP3 Rinkitės sumaišytą arba atskirus takelius Balsų persidengimas mišinyje
Susitikimo įrašas (Zoom, Teams, Meet) Platformos garso parinktis, jei yra MP4 arba M4A Ištraukite garsą tik jei vaizdo failas labai didelis Vienas nešiojamojo kompiuterio mikrofonas visam kambariui
Telefono balso atmintinė Numatytasis programėlės nustatymas .m4a Eksportuokite originalą Telefonas kišenėje įrašant
Paskelbta tinklalaidės laida Netaikoma Paskelbtas MP3 Jei turite, naudokite iki paskelbimo parengtą WAV arba FLAC Įžangos muzika; nustatykite kalbą
Paskaita arba seminaras Mono, 16 bitų, mikrofonas šalia dėstytojo Ilgas MP3 arba vaizdas Patikrinkite 10 valandų ribą Auditorijos klausimai toli nuo mikrofono
Telefono pokalbio įrašas Numatytasis įrašymo įrenginio nustatymas AMR, M4A arba 8 kHz WAV Išsaugokite pradinį dažnį Sutikimo taisyklės; nedidinkite dažnio

Prieš įrašydami gaukite reikiamą dalyvių sutikimą ir organizatoriaus leidimą; laikykitės draudimų įrašyti. Mūsų gidai apie telefono pokalbio įrašymą ir skambučių įrašymo įstatymus pagal valstiją aptaria sutikimą. Tai nėra teisinė konsultacija.

Kaip konvertuoti garsą transkripcijai su FFmpeg

Konvertuokite tik esant priežasčiai: failas per didelis, norite mažesnio garso failo iš vaizdo, įrankis nepriima kodeko arba norite atskirti kalbėtojus. Konvertavimas „dėl kokybės“ neveikia.

Toliau pateiktos naudojamos komandos; savo failuose patikrinkite rezultato kodeką, dažnį ir kanalus su ffprobe. Parinktys paaiškintos FFmpeg dokumentacijoje.

1. Bet kurį failą į 16 kHz mono 16 bitų WAV (toks pats pavidalas, į kurį Whisper konvertuoja viduje):

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

2. Bet kurį failą į 16 kHz mono FLAC (nenuostolingas ir dažniausiai mažesnis už WAV):

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

3. Vaizdo įrašą į mažą mono MP3 (prideda vieną nuostolingą etapą; naudokite, kai svarbiausias dydis):

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

4. Ištraukti garsą iš vaizdo be pakartotinio kodavimo (veikia, kai garsas AAC, kuris dažnas MP4 failuose):

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

5. Padalyti dviejų kanalų įrašą į atskirą failą kiekvienam kalbėtojui (naudojamas channelsplit filtras):

ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
Parinktis Ką daro
-ac 1 Sumaišo garsą į vieną kanalą
-ar 16000 Nustato išvesties diskretizavimo dažnį į 16,000 Hz
-c:a pcm_s16le Įrašo 16 bitų nesuglaudintą PCM (standartinis WAV)
-vn Pašalina vaizdo srautą
-c:a copy Nukopijuoja garsą nepakeisdama kokybės
-b:a 64k Nustato nuostolingą bitų spartą

Rinkitės 4 komandą vietoj 3, kai vaizdo garsas jau yra AAC, nes ji išsaugo pradinę kokybę. 8 kHz telefono garsui praleiskite -ar 16000, kad nedidintumėte dažnio.

Nenaudojate komandinės eilutės? whispertranscribe.ai garso ir vaizdo konverteris į MP3 naršyklėje ištraukia garso takelį iš MP4, MOV, MKV, WEBM arba AVI. Puslapyje teigiama, kad naudojama WebAssembly ir failai apdorojami naršyklėje, o ne įkeliami.

Dideli failai: neviršykite 5GB ir 10 valandų

  • Per didelis, bet trumpesnis nei 10 valandų: paprastai vaizdo įrašas arba didelės raiškos WAV. Ištraukite garsą (4 komanda arba naršyklės konverteris) arba konvertuokite WAV į FLAC (2 komanda).
  • Ilgesnis nei 10 valandų: įkėlimo puslapyje rodoma „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.“ Padalykite failą. Komanda be pakartotinio kodavimo mūsų MP3 į tekstą gide taip pat veikia su WAV. Jungdami tekstą patikrinkite sandūras.
  • Lėtas ryšys: viena valanda 64 kbps MP3 yra apie 28.8 MB, palyginti su 635 MB CD kokybės stereo WAV. Archyvui išsaugokite nenuostolingą originalą.

Garso formato trikčių šalinimas

Problema Tikėtina priežastis Ką išbandyti
„No audio detected. The file may be corrupted. Please check the file and try again.“ (rodoma mūsų įkėlimo puslapiuose) Sugadintas failas, vaizdas eksportuotas be garso arba tuščias garso takelis Paleiskite vietoje; naudokite aukščiau pateiktą ffprobe patikrą (jei išvesties nėra, garso srauto nėra); eksportuokite iš pradinės programos
Įkėlimas atmestas dėl trukmės Failas ilgesnis nei 10 valandų Padalykite į ne ilgesnes kaip 10 valandų dalis
Failas per didelis Vaizdo įrašas arba didelės raiškos daugiakanalis WAV Ištraukite garsą arba konvertuokite WAV į FLAC
Didesnis nei 4 GB WAV neatsidaro ar neįkeliamas Klasikinio WAV dydžio riba Eksportuokite kaip RF64 arba FLAC arba padalykite
Vienas kalbėtojas daug tylesnis už kitą Kiekvienas atskirame kanale įrašytas skirtingu lygiu Padalykite kanalus (5 komanda) ir transkribuokite kiekvieną failą
Iškraipytos, traškančios viršūnės Signalo perkrova įrašant Atkurti negalima; kitą kartą sumažinkite įvesties stiprinimą
Telefono garsas prastas ir konvertavus į 48 kHz Dažnio didinimas neprideda informacijos Įkelkite originalą; išbandykite „Noise / Low-Quality Audio/Video“ kalbos parinktį, jei siūloma

Kur tinka whispertranscribe.ai

whispertranscribe.ai yra naršyklėje veikiantis transkripcijos įrankis, naudojantis OpenAI Whisper modelius (nėra programėlės, API ar žmogaus korektūros). Nemokamas garso į tekstą konverteris ir kiti įkėlimo puslapiai nurodo šiuos formatus: MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG ir MPEG.

  • Ribos: failai iki 5GB ir 10 valandų.
  • Kalbos: 130+ kalbų, daugeliui siūlomos „Noise / Low-Quality Audio/Video“ parinktys.
  • Tikslumas: iki 99% esant aiškiam garsui. Triukšmas, atstumas, akcentai ir persidengimas jį mažina.
  • Kalbėtojai: prieš transkribuodami įjunkite Speaker Detection.
  • Eksportas: DOCX, PDF, TXT, CSV, SRT ir VTT.
  • Privatumas: privatumo politikoje nurodyta, kad įkelti originalai ištrinami po apdorojimo, o ištraukti MP3 pagal numatytuosius nustatymus saugomi 30 dienų.

Konkretiems įrašams žr. MP3 failų, balso atmintinių, telefono skambučių, interviu ir paskaitų bei seminarų puslapius. Išbandykite failą nemokamame puslapyje be paskyros (ribos nurodytos ten). Mokami planai nuo $9.99/mėn. mokant kasmet (kainos). Visa kita yra funkcijų puslapyje.

Dažniausiai užduodami klausimai

Koks garso formatas geriausias transkripcijai?

Kai valdote įrašymą, geriausia WAV arba FLAC, pageidautina mono 16 kHz ar didesniu dažniu ir 16 bitų gyliu. Jei jau turite suglaudintą MP3, M4A arba Opus, įkelkite originalą, o ne konvertuokite. Įrašo kokybė — artimas mikrofonas, mažas foninis triukšmas ir neperkrautas signalas — paprastai svarbesnė už formatą.

Ar WAV geresnis už MP3 transkripcijai?

Iš šaltinio įrašytas WAV išsaugo daugiau detalių nei MP3, o Google nurodo, kad nuostolingi kodekai kaip MP3 gali sumažinti atpažinimo tikslumą. Aiškiai kalbai skirtumas dažnai nedidelis, triukšmingiems įrašams didesnis. Iš MP3 sukurtas WAV nėra geresnis už tą MP3, nes pašalintos detalės prarastos. Jei galite, įrašykite WAV arba FLAC, o MP3 įkelkite originalų.

Kokį diskretizavimo dažnį naudoti transkripcijai?

Naudokite 16 kHz arba daugiau. Google kalbos atpažinimui rekomenduoja bent 16,000 Hz, o OpenAI Whisper prieš apdorojimą visą garsą paverčia 16 kHz mono. Įrašyti 44.1 ar 48 kHz tinka ir įprasta. Nedidinkite mažesnio dažnio vėliau: 8 kHz telefono įrašą įkelkite 8 kHz dažniu, nes didinimas didina failą, bet neprideda kalbos informacijos.

Ar transkripcijai įrašyti mono ar stereo?

Įrašykite mono, kai visi dalijasi vienu mikrofonu. Whisper vis tiek sumaišo stereo į mono, todėl tos pačios kalbos stereo kopija tik padvigubina failą. Išsaugokite stereo ar kelis takelius, kai kiekvienas kalbėtojas turi atskirą kanalą, pavyzdžiui, skambučių įrenginyje arba su mikrofonu kiekvienam svečiui. Google pataria kanalus transkribuoti atskirai; juos galima padalyti su FFmpeg.

Kokio dydžio WAV failas per minutę?

Priklauso nuo nustatymų: padauginkite diskretizavimo dažnį iš baitų vienam mėginiui ir kanalų skaičiaus, kad gautumėte baitus per sekundę. 16 kHz, 16 bitų mono WAV yra 16,000 × 2 × 1 = 32,000 baitų per sekundę, apie 1.92 MB per minutę arba 115.2 MB per valandą. CD kokybės 44.1 kHz, 16 bitų stereo yra apie 10.58 MB per minutę arba 635 MB per valandą.

Ar galiu įkelti vaizdo failą neištraukdamas garso?

Taip. Transkripcijos įrankiai skaito garso takelį ir ignoruoja vaizdą, todėl MP4, MOV, MKV arba WEBM duoda tokį pat transkriptą kaip iš jo ištrauktas garsas. Vaizdas tik padidina įkėlimą. Ištraukite garsą, kai failas artėja prie dydžio ribos arba ryšys lėtas, pavyzdžiui, FFmpeg -vn -c:a copy išsaugo pradinę garso kokybę. whispertranscribe.ai galite įkelti originalų vaizdo failą ir eksportuoti DOCX, TXT, SRT arba VTT.


Jau turite įrašą? Įkelkite originalą į whispertranscribe.ai nemokamą garso į tekstą konverterį: pasirinkite vieną iš 130+ kalbų, įjunkite Speaker Detection ir atsisiųskite DOCX, TXT, SRT arba VTT. Failai iki 5GB ir 10 valandų.

Šaltiniai

Norite paversti savo įrašus tekstu?

Transkribuokite garso ir vaizdo įrašus naudodami whispertranscribe.ai.

Pradėti transkribuoti ↗