whispertranscribe.ai redakcija · Pēdējoreiz atjaunināts: 2026. gada novembrī · Lasīšanas laiks: 12 minūtes
Ja varat izvēlēties ieraksta iestatījumus, labākais audio formāts transkripcijai ir bezzudumu WAV (16 bitu PCM) vai FLAC, ierakstīts mono režīmā ar 16 kHz vai augstāku frekvenci. Ja jums jau ir MP3, M4A vai video fails, augšupielādējiet to oriģinālajā formā. Saspiesta faila konvertēšana neatjauno zaudētās detaļas, un mikrofona attālums un troksnis rezultātu ietekmē vairāk.
Tālāk: ko izvēlēties pirms ierakstīšanas, ko darīt ar saņemtu failu, faila izmēra formulas, iestatījumi dažādām situācijām, FFmpeg komandas un problēmu risinājumu tabula.
Atklātība. Šo rokasgrāmatu publicē whispertranscribe.ai. Tehniskajiem apgalvojumiem ir saites uz Google Cloud, OpenAI Whisper kodu, FFmpeg vai Kongresa bibliotēku. Šim rakstam neveicām precizitātes testus, un neapgalvojam, ka kāds formāts palielina precizitāti par noteiktu procentu.
Īsā atbilde: labākais audio formāts transkripcijai
Izvēlieties pēc darba posma, nevis viena universāla “uzvarētāja”.
| Situācija | Labākā izvēle | Kāpēc |
|---|---|---|
| Iestatāt ierakstītāju vai lietotni | WAV (16 biti) vai FLAC, mono, 16 kHz vai vairāk | Google runas atpazīšanai iesaka bezzudumu FLAC vai LINEAR16 |
| Ierakstot vajag mazus failus | Runai piemērots zudumu kodeks ar mērenu bitu pārraides ātrumu | Google ieteiktie zudumu runas kodeki secībā: AMR-WB, Ogg Opus, Speex |
| Jau ir MP3, M4A vai Opus fails | Augšupielādējiet oriģinālu | Atkārtota kodēšana neko neatjauno |
| Ir video (MP4, MOV, MKV) | Augšupielādējiet; izvelciet audio, ja fails ir ļoti liels | Izmanto tikai audio celiņu |
| Runātāji ierakstīti atsevišķos celiņos | Saglabājiet celiņus | Google iesaka sūtīt katru kanālu atsevišķi, ja katram cilvēkam ir savs |
Kad par formātu nav jāuztraucas: tālruņa balss piezīme, publicēta aplādes epizode vai Zoom vai Teams ieraksts. Augšupielādējiet, izvēlieties pareizo runas valodu un veltiet laiku vārdu pārbaudei.
Formāts, kodeks un konteiners: ko slēpj faila paplašinājums
Paplašinājums norāda konteineru, ne vienmēr saspiešanu. Google audio optimizācijas pamācība skaidro: kodeki un failu formāti nav viens un tas pats. Trīs bieži pārsteigumi:
- WAV parasti satur nesaspiestu lineāro PCM, taču var saturēt arī citus kodējumus (Kongresa bibliotēka, WAVE).
- M4A var saturēt zudumu AAC vai bezzudumu Apple Lossless (ALAC).
- OGG ir konteiners, kas parasti satur Opus vai Vorbis; abi ir zudumu kodeki.
Lai redzētu faila saturu, izmantojiet FFmpeg ffprobe tikai audio straumēm:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
Komanda parāda vienu rindu katrai audio straumei. Ja izvades nav, pirms augšupielādes pārbaudiet, vai failā ir audio celiņš.
Audio formātu salīdzinājums transkripcijai
Visus šos formātus var transkribēt. Atšķiras saglabāto detaļu daudzums un faila izmērs. Izmēri aprēķināti pēc nākamās sadaļas formulām (1 MB = 1 000 000 baitu).
| Formāts | Zudumu vai bezzudumu | Parastais avots | Izmērs minūtē (iestatījuma piemērs) | Ietekme uz transkripciju | Rīcība |
|---|---|---|---|---|---|
| WAV (PCM) | Nesaspiests | Lauka ierakstītāji, audio redaktori | 1.92 MB pie 16 kHz, 16 bitiem, mono; 10.58 MB pie 44.1 kHz, 16 bitiem, stereo | Saglabā visu, ko uztvēris mikrofons | Labs oriģināls; gariem ierakstiem vērojiet izmēru |
| FLAC | Bezzudumu (saspiests) | Arhīvi, redaktoru eksports | Mazāks par tādu pašu WAV; ietaupījums atšķiras | Tāds pats audio kā WAV | Izmantojiet WAV vietā, lai ietaupītu vietu |
| AIFF / ALAC / CAF | AIFF parasti nesaspiests; ALAC bezzudumu; CAF var saturēt abus | Mac un iPhone lietotnes | AIFF: kā WAV pie vienādiem iestatījumiem | Atkarīgs no iekšējā kodeka | Augšupielādējiet oriģinālu |
| MP3 | Zudumu | Aplādes, lejupielādes | 0.96 MB pie 128 kbps | Google: zudumu kodeki var samazināt precizitāti | Augšupielādējiet oriģinālu |
| M4A / AAC | Parasti zudumu (AAC) | Balss piezīmes, video skaņa | 0.48 MB pie 64 kbps | Tas pats piesardzības apsvērums kā MP3 | Augšupielādējiet oriģinālu |
| OGG / Opus | Zudumu | Balss ziņas, tīmekļa zvani | 0.24 MB pie 32 kbps | Opus ir Google ieteikto zudumu runas kodeku sarakstā | Augšupielādējiet oriģinālu |
| AMR (šaurjoslas) | Zudumu, tikai runai | Vecāki tālruņi un zvanu ierakstītāji | Aptuveni 0.09 MB pie 12.2 kbps | Satur tikai 200 līdz 3,400 Hz (Kongresa bibliotēka, AMR) | Augšupielādējiet oriģinālu; nepalieliniet diskretizācijas frekvenci |
Video failiem ir līdzīgi: rīks nolasa audio celiņu, tāpēc papildu slogs ir tikai augšupielādes izmērs.
Cik liels ir audio fails? Formulas
Divas formulas ļauj aplēst faila izmēru pirms ierakstīšanas vai augšupielādes.
Nesaspiests PCM (WAV, AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels
Aprēķinu piemēri:
- 16 kHz, 16 biti, mono: 16,000 × 2 × 1 = 32,000 baitu sekundē. × 60 = 1,920,000 baitu, aptuveni 1.92 MB minūtē jeb 115.2 MB stundā.
- 44.1 kHz, 16 biti, stereo: 44,100 × 2 × 2 = 176,400 baitu sekundē, aptuveni 10.58 MB minūtē jeb 635 MB stundā.
- 48 kHz, 24 biti, stereo: 48,000 × 3 × 2 = 288,000 baitu sekundē jeb 1,036.8 MB stundā.
Zudumu formāts ar nemainīgu bitu pārraides ātrumu (MP3, AAC, Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (t. i., kbps × 7,500)
- 128 kbps: 128 × 7,500 = 960,000 baitu, aptuveni 0.96 MB minūtē jeb 57.6 MB stundā.
- 64 kbps: 0.48 MB minūtē; 32 kbps: 0.24 MB minūtē.
Faktiskie faili galveņu dēļ ir nedaudz lielāki, bet mainīga bitu ātruma faili svārstās ap vidējo. Datori, kas rāda binārās vienības (MiB), uzrāda aptuveni par 5% mazākus skaitļus.
Ko šie skaitļi nozīmē 5GB un 10 stundu augšupielādes ierobežojumam
whispertranscribe.ai pieņem failus līdz 5GB un 10 stundām. Lūk, kā iederas bieži iestatījumi, pieņemot, ka 5GB ir 5,000,000,000 baitu:
| Iestatījums | 1 stunda | 10 stundas | Vai 10 stundas ietilpst 5GB? |
|---|---|---|---|
| WAV, 16 kHz, 16 biti, mono | 115.2 MB | 1.15 GB | Jā |
| WAV, 44.1 kHz, 16 biti, stereo | 635 MB | 6.35 GB | Nē: ietilpst aptuveni 7.9 stundas |
| WAV, 48 kHz, 24 biti, stereo | 1.04 GB | 10.37 GB | Nē: ietilpst aptuveni 4.8 stundas |
| MP3, 128 kbps | 57.6 MB | 576 MB | Jā |
| Opus, 32 kbps | 14.4 MB | 144 MB | Jā |
Klasiskam WAV ir arī sava robeža: 32 bitu izmēra lauks ierobežo to līdz aptuveni 4 GB, un garākiem ierakstiem vajadzīgs RF64 paplašinājums (Kongresa bibliotēka). Ļoti gariem bezzudumu ierakstiem FLAC vai 16 kHz mono WAV palīdz izvairīties no abām problēmām.
Kas ir svarīgāks par audio formātu
Skaidra balss tuvu mikrofonam, saglabāta kā MP3, parasti ir labāka nekā bezzudumu fails, kas ierakstīts trokšņainas telpas otrā pusē. Rezultātu lielākoties nosaka šie iestatījumi un paradumi.
Diskretizācijas frekvence: vai 16 kHz ir pietiekami?
Jā, runai. Google iesaka 16,000 Hz vai vairāk (labākā prakse); pamācībā skaidrots, ka zemāka frekvence atstāj maz informācijas vai nemaz virs 8 kHz. OpenAI atvērtā pirmkoda Whisper pirms modeļa izmantošanas pārveido katru ievadi uz 16,000 Hz mono (whisper/audio.py). Ieraksts ar 44.1 vai 48 kHz ir piemērots, tikai lielāks.
Frekvences palielināšana vēlāk nepalīdz: Google norāda, ka 8 kHz failā, kas pārveidots uz 44.1 kHz, joprojām ir tikai aptuveni 4 kHz frekvenču diapazons. Tālruņa audio, parasti 8,000 Hz, augšupielādējiet sākotnējā frekvencē.
Bitu dziļums: 16 vai 24 biti?
Google iesaka 16 vai vairāk bitu un skaidro, ka 8 bitu audio pārveidošana uz 16 bitiem neko nedod, jo dinamiskais diapazons noteikts ieraksta laikā. Saglabāt ierakstītāja 24 bitus nekaitē; pārveidošana no 16 uz 24 bitiem neko nepievieno.
Saspiestu failu bitu pārraides ātrums
Nav standarta ātruma, kas garantētu labu transkripciju. Google norādes attiecas uz kodeka veidu: zudumu kodeki var samazināt precizitāti, un troksnis vai atbalss kopā ar zudumu saspiešanu kaitē vairāk. Ja jāsaspiež, dariet to vienreiz ar mērenu iestatījumu un izvairieties no ķēdēm, piemēram, WAV uz MP3 uz OGG.
Mikrofona attālums, troksnis un līmeņi
Saskaņā ar Google priekšapstrādes ieteikumiem:
- Novietojiet mikrofonu pēc iespējas tuvu runātājam, īpaši fona trokšņa gadījumā.
- Izvairieties no signāla pārslodzes. Izkropļotas virsotnes vēlāk atjaunot nevar.
- Izslēdziet automātisko pastiprinājuma kontroli un trokšņu samazināšanu, ja lietotne to ļauj. Google norāda, ka trokšņu samazināšana pirms atpazīšanas parasti samazina precizitāti.
Mono vai stereo?
Vienam kopīgam mikrofonam pietiek ar mono. Whisper tāpat sajauc stereo uz mono, tāpēc stereo ar vienu un to pašu balsi abās pusēs tikai dubulto augšupielādes izmēru. Stereo ir vērts saglabāt, ja katrā pusē ir cits cilvēks, piemēram, zvana ierakstā vai ar vienu piespraužamu mikrofonu katrā kanālā. Google iesaka tad katru kanālu sūtīt atsevišķi, bet jauktu ierakstu atstāt tādu, kāds tas ir.
Vairāku celiņu ieraksti
Aplāžu un attālinātu interviju rīki bieži ieraksta katru cilvēku atsevišķā celiņā. Eksportējiet vienu jauktu celiņu un ieslēdziet runātāju etiķetes (vienkāršāk), vai transkribējiet katru celiņu atsevišķi un apvienojiet tekstus pēc laika (tīrāks audio, bet apvienošana jāveic pašiem).
Ieteicamie formāti un iestatījumi dažādām situācijām
Biežākā situācija ir “fails jau ir”, un atbilde parasti ir “augšupielādējiet to”.
| Situācija | Ierakstiet kā (ja varat izvēlēties) | Ja jau ir | Pirms augšupielādes | Uzmanieties no |
|---|---|---|---|---|
| Intervija klātienē | WAV vai FLAC, mono katram mikrofonam, 44.1 vai 48 kHz | M4A vai MP3 no tālruņa | Pierakstiet vārdus un terminus | Viesis klusāks par intervētāju |
| Attālināta intervija vai aplāde, katrs celiņš | Katram runātājam savs bezzudumu celiņš | Atsevišķi WAV un jaukts MP3 | Izvēlieties jauktu vai atsevišķus celiņus | Pārklāšanās jauktajā failā |
| Sapulces ieraksts (Zoom, Teams, Meet) | Platformas audio iespēja, ja pieejama | MP4 vai M4A | Izvelciet audio tikai tad, ja video ļoti liels | Viens klēpjdatora mikrofons visai telpai |
| Tālruņa balss piezīme | Lietotnes noklusējums | .m4a | Eksportējiet oriģinālu | Tālrunis ieraksta laikā kabatā |
| Publicēta aplādes epizode | Nav piemērojams | Publicētais MP3 | Izmantojiet pirms publicēšanas sagatavotu WAV vai FLAC, ja tas ir | Ievada mūzika; iestatiet valodu |
| Lekcija vai seminārs | Mono, 16 biti, mikrofons tuvu lektoram | Garš MP3 vai video | Pārbaudiet 10 stundu robežu | Auditorijas jautājumi tālu no mikrofona |
| Tālruņa zvana ieraksts | Ierakstītāja noklusējums | AMR, M4A vai 8 kHz WAV | Saglabājiet sākotnējo frekvenci | Piekrišanas noteikumi; nepalieliniet frekvenci |
Pirms ierakstīšanas saņemiet vajadzīgo dalībnieku piekrišanu un organizatora atļauju, kā arī ievērojiet ierakstīšanas aizliegumus. Mūsu rokasgrāmatas par tālruņa zvana ierakstīšanu un zvanu ierakstīšanas likumiem pa štatiem skaidro piekrišanu. Tā nav juridiska konsultācija.
Kā konvertēt audio transkripcijai ar FFmpeg
Konvertējiet tikai ar iemeslu: fails ir pārāk liels, vēlaties no video iegūt mazāku audio, rīks neatbalsta kodeku vai gribat atdalīt runātājus. Konvertēšana “kvalitātes uzlabošanai” nedarbojas.
Tālāk minētas izmantojamās komandas; pārbaudiet rezultāta kodeku, frekvenci un kanālus savos failos ar ffprobe. Opcijas skaidrotas FFmpeg dokumentācijā.
1. Jebkuru failu uz 16 kHz mono 16 bitu WAV (tādā pašā formā Whisper pārveido iekšēji):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. Jebkuru failu uz 16 kHz mono FLAC (bezzudumu un parasti mazāks par WAV):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. Video uz mazu mono MP3 (pievieno vienu zudumu posmu; izmantojiet, ja svarīgākais ir izmērs):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. Izvilkt audio no video bez pārkodēšanas (darbojas, ja audio ir AAC, kas MP4 failos ir bieži):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. Sadalīt divu kanālu ierakstu pa failam katram runātājam (izmanto channelsplit filtru):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| Opcija | Ko tā dara |
|---|---|
-ac 1 |
Sajauc audio vienā kanālā |
-ar 16000 |
Iestata izvades diskretizācijas frekvenci uz 16,000 Hz |
-c:a pcm_s16le |
Raksta 16 bitu nesaspiestu PCM (standarta WAV) |
-vn |
Noņem video straumi |
-c:a copy |
Kopē audio bez pārmaiņām un kvalitātes zuduma |
-b:a 64k |
Iestata zudumu bitu pārraides ātrumu |
Izvēlieties 4. komandu, nevis 3., ja video audio jau ir AAC, jo tā saglabā sākotnējo kvalitāti. 8 kHz tālruņa audio gadījumā izlaidiet -ar 16000, lai nepalielinātu frekvenci.
Nevēlaties izmantot komandrindu? whispertranscribe.ai audio un video konverteris uz MP3 pārlūkā izvelk audio celiņu no MP4, MOV, MKV, WEBM vai AVI. Lapā teikts, ka tas izmanto WebAssembly un faili tiek apstrādāti pārlūkā, nevis augšupielādēti.
Lieli faili: nepārsniegt 5GB un 10 stundas
- Pārāk liels, bet īsāks par 10 stundām: parasti video vai augstas izšķirtspējas WAV. Izvelciet audio (4. komanda vai pārlūka konverteris) vai konvertējiet WAV uz FLAC (2. komanda).
- Garāks par 10 stundām: augšupielādes lapā redzams “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.” Sadaliet failu. Sadalīšanas komanda bez pārkodēšanas mūsu MP3 uz tekstu rokasgrāmatā darbojas arī ar WAV. Apvienojot tekstu, pārbaudiet savienojuma vietas.
- Lēns savienojums: viena stunda 64 kbps MP3 ir aptuveni 28.8 MB, salīdzinot ar 635 MB CD kvalitātes stereo WAV. Saglabājiet bezzudumu oriģinālu arhīvam.
Audio formāta problēmu novēršana
| Problēma | Iespējamais iemesls | Ko izmēģināt |
|---|---|---|
| “No audio detected. The file may be corrupted. Please check the file and try again.” (redzams mūsu augšupielādes lapās) | Bojāts fails, video eksportēts bez skaņas vai tukšs audio celiņš | Atskaņojiet lokāli; palaidiet iepriekšējo ffprobe pārbaudi (izvades neesamība nozīmē, ka nav audio straumes); eksportējiet no sākotnējās lietotnes |
| Augšupielāde noraidīta garuma dēļ | Fails pārsniedz 10 stundas | Sadaliet daļās līdz 10 stundām |
| Fails pārāk liels | Video vai augstas izšķirtspējas daudzkanālu WAV | Izvelciet audio vai konvertējiet WAV uz FLAC |
| WAV virs 4 GB neatveras vai neaugšupielādējas | Klasiskā WAV izmēra ierobežojums | Eksportējiet kā RF64 vai FLAC vai sadaliet |
| Viens runātājs ir daudz klusāks par otru | Katrs ir atsevišķā kanālā ar atšķirīgu līmeni | Sadaliet kanālus (5. komanda) un transkribējiet katru failu |
| Izkropļotas, krakšķošas virsotnes | Signāla pārslodze ieraksta laikā | To nevar novērst; nākamreiz samaziniet ievades pastiprinājumu |
| Tālruņa audio joprojām slikts pēc pārveides uz 48 kHz | Frekvences palielināšana nepievieno informāciju | Augšupielādējiet oriģinālu; izmēģiniet “Noise / Low-Quality Audio/Video” valodas iespēju, ja pieejama |
Kur noder whispertranscribe.ai
whispertranscribe.ai ir pārlūkā strādājošs transkripcijas rīks, kas izmanto OpenAI Whisper modeļus (nav lietotnes, API vai cilvēka veiktas korektūras). Bezmaksas audio pārveidotājs tekstā un citas augšupielādes lapas norāda šos formātus: MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG un MPEG.
- Ierobežojumi: faili līdz 5GB un 10 stundām.
- Valodas: 130+ valodas, daudzām no tām pieejamas “Noise / Low-Quality Audio/Video” iespējas.
- Precizitāte: līdz 99% skaidram audio. Troksnis, attālums, akcenti un pārklāšanās to samazina.
- Runātāji: pirms transkribēšanas ieslēdziet Speaker Detection.
- Eksports: DOCX, PDF, TXT, CSV, SRT un VTT.
- Privātums: privātuma politika paredz, ka augšupielādētie oriģināli tiek dzēsti pēc apstrādes un iegūtie MP3 faili pēc noklusējuma tiek glabāti 30 dienas.
Konkrētiem ierakstiem skatiet lapas par MP3 failiem, balss piezīmēm, tālruņa zvaniem, intervijām un lekcijām un semināriem. Izmēģiniet failu bezmaksas lapā bez konta (ierobežojumi norādīti tur). Maksas plāni: no $9.99/mēnesī ar gada norēķinu (cenas). Pārējais ir funkciju lapā.
Biežāk uzdotie jautājumi
Kāds audio formāts ir labākais transkripcijai?
Ja kontrolējat ierakstu, labākais ir WAV vai FLAC, vēlams mono ar 16 kHz vai vairāk un 16 bitu dziļumu. Ja jau ir saspiests MP3, M4A vai Opus, augšupielādējiet oriģinālu, nevis konvertējiet. Ieraksta kvalitāte — mikrofons tuvu, maz fona trokšņa un bez pārslodzes — parasti ir svarīgāka par izvēlēto formātu.
Vai WAV ir labāks par MP3 transkripcijai?
WAV, kas ierakstīts no avota, saglabā vairāk detaļu nekā MP3, un Google norāda, ka zudumu kodeki, piemēram, MP3, var samazināt atpazīšanas precizitāti. Skaidrai runai atšķirība bieži ir maza, trokšņainam ierakstam — lielāka. WAV, kas izveidots no MP3, nav labāks par šo MP3, jo atmestās detaļas vairs nav. Ja iespējams, ierakstiet WAV vai FLAC un MP3 augšupielādējiet oriģinālā.
Kādu diskretizācijas frekvenci izmantot transkripcijai?
Izmantojiet 16 kHz vai vairāk. Google runas atpazīšanai iesaka vismaz 16,000 Hz, un OpenAI Whisper pirms apstrādes visu audio pārveido uz 16 kHz mono. Ierakstīšana ar 44.1 vai 48 kHz ir piemērota un izplatīta. Vēlāk nepalieliniet zemāku frekvenci: 8 kHz tālruņa ierakstu augšupielādējiet ar 8 kHz, jo palielināšana rada lielāku failu bez papildu runas informācijas.
Vai transkripcijai ierakstīt mono vai stereo?
Ierakstiet mono, ja visi izmanto vienu mikrofonu. Whisper tāpat sajauc stereo uz mono, tāpēc vienas balss stereo kopija tikai dubulto izmēru. Saglabājiet stereo vai vairākus celiņus, ja katrs runātājs ir atsevišķā kanālā, piemēram, zvana ierakstītājā vai ar atsevišķu mikrofonu katram viesim. Google iesaka atsevišķus kanālus transkribēt atsevišķi; tos var sadalīt ar FFmpeg.
Cik liels ir WAV fails minūtē?
Tas atkarīgs no iestatījumiem: reiziniet diskretizācijas frekvenci ar baitiem paraugu un kanālu skaitu, lai iegūtu baitus sekundē. 16 kHz, 16 bitu mono WAV ir 16,000 × 2 × 1 = 32,000 baitu sekundē, aptuveni 1.92 MB minūtē vai 115.2 MB stundā. CD tipa 44.1 kHz, 16 bitu stereo ir aptuveni 10.58 MB minūtē vai 635 MB stundā.
Vai audio izvilkšanas vietā varu augšupielādēt video?
Jā. Transkripcijas rīki nolasa audio celiņu un ignorē attēlu, tāpēc MP4, MOV, MKV vai WEBM dod tādu pašu transkriptu kā no tā izvilktais audio. Video tikai palielina augšupielādi. Izvelciet audio, ja fails tuvojas izmēra robežai vai savienojums ir lēns, piemēram, ar FFmpeg -vn -c:a copy, kas saglabā oriģinālo audio kvalitāti. Vietnē whispertranscribe.ai varat augšupielādēt video oriģinālā un eksportēt DOCX, TXT, SRT vai VTT.
Ieraksts ir gatavs? Augšupielādējiet to oriģinālā whispertranscribe.ai bezmaksas audio pārveidotājā tekstā: izvēlieties vienu no 130+ valodām, ieslēdziet Speaker Detection un lejupielādējiet DOCX, TXT, SRT vai VTT. Faili līdz 5GB un 10 stundām.
Atsauces
- Google Cloud: Speech-to-Text labākā prakse runas datu sagatavošanai
- Google Cloud: Audio failu optimizēšana Speech-to-Text
- OpenAI: whisper/audio.py Whisper GitHub repozitorijā
- FFmpeg: ffmpeg komandrindas dokumentācija un channelsplit filtrs
- Kongresa bibliotēka: WAVE audio faila formāts (fdd000001)
- Kongresa bibliotēka: AMR, Adaptive Multi-Rate Speech Codec (fdd000254)
