Format Audio Terbaik untuk Transkripsi: Rakaman, Muat Naik dan Penukaran

Oleh Pasukan Editorial whispertranscribe.ai · Dikemas kini: November 2026 · Bacaan 12 minit

Format audio terbaik untuk transkripsi ialah audio tanpa kehilangan, WAV (PCM 16-bit) atau FLAC, dirakam dalam mono pada 16 kHz atau lebih tinggi, apabila anda mengawal rakaman. Jika anda sudah mempunyai fail MP3, M4A atau video, muat naik seperti asal. Menukar fail termampat tidak dapat mengembalikan butiran yang hilang, dan jarak mikrofon serta bunyi memberi lebih banyak kesan kepada hasil.

Di bawah: pilihan sebelum merakam, tindakan untuk fail sedia ada, formula saiz fail, tetapan mengikut situasi, perintah FFmpeg dan jadual penyelesaian masalah.

Pendedahan. whispertranscribe.ai menerbitkan panduan ini. Dakwaan teknikal dipautkan kepada Google Cloud, kod Whisper OpenAI, FFmpeg atau Library of Congress. Kami tidak menjalankan ujian ketepatan untuk artikel ini dan tidak menjanjikan bahawa sesuatu format meningkatkan ketepatan dengan peratusan tertentu.

Jawapan ringkas: format audio terbaik untuk transkripsi

Pilih mengikut peringkat kerja anda, bukan berdasarkan satu format “pemenang”.

Situasi anda Pilihan terbaik Mengapa
Anda menyediakan perakam atau aplikasi WAV (16-bit) atau FLAC, mono, 16 kHz atau lebih tinggi Google mengesyorkan FLAC atau LINEAR16 tanpa kehilangan untuk pengecaman pertuturan
Anda memerlukan fail kecil semasa merakam Kodek mampatan berkehilangan yang sesuai untuk pertuturan pada kadar bit sederhana Kodek berkehilangan pilihan Google untuk pertuturan, mengikut turutan: AMR-WB, Ogg Opus, Speex
Anda sudah mempunyai fail MP3, M4A atau Opus Muat naik fail asal Pengekodan semula tidak mengembalikan butiran
Anda mempunyai video (MP4, MOV, MKV) Muat naik; ekstrak audio jika terlalu besar Hanya trek audio digunakan
Penutur dirakam pada trek berasingan Kekalkan trek Google menasihatkan agar setiap saluran dihantar secara berasingan apabila setiap orang mempunyai saluran sendiri

Bila format tidak perlu dirisaukan: memo suara telefon, episod podcast yang diterbitkan atau rakaman Zoom atau Teams. Muat naik, pilih bahasa pertuturan yang betul dan gunakan masa untuk menyemak nama.

Format, kodek dan bekas: apa yang disembunyikan sambungan fail

Sambungan menamakan bekas, tidak semestinya pemampatan. Tutorial pengoptimuman audio Google menerangkan bahawa kodek dan format fail bukan perkara yang sama. Tiga contoh:

  • WAV biasanya mengandungi PCM linear tidak termampat, tetapi boleh membawa pengekodan lain juga (Library of Congress, WAVE).
  • M4A boleh mengandungi AAC berkehilangan atau Apple Lossless (ALAC) tanpa kehilangan.
  • OGG ialah bekas yang biasanya mengandungi Opus atau Vorbis, kedua-duanya berkehilangan.

Untuk melihat kandungan sebenar fail, gunakan ffprobe FFmpeg untuk aliran audio sahaja:

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

Perintah ini memaparkan satu baris bagi setiap aliran audio. Jika tiada output, fail mungkin tidak mempunyai trek audio; ini membantu menyemak sebelum muat naik.

Perbandingan format audio untuk transkripsi

Semua format di bawah boleh ditranskripsi. Perbezaannya ialah jumlah butiran yang masih ada dan saiz fail. Saiz diperoleh daripada formula di bahagian berikut (1 MB = 1,000,000 bait).

Format Berkehilangan atau tanpa kehilangan Sumber biasa Saiz seminit (contoh tetapan) Kesan pada transkripsi Tindakan
WAV (PCM) Tidak termampat Perakam lapangan, editor audio 1.92 MB pada 16 kHz, 16-bit, mono; 10.58 MB pada 44.1 kHz, 16-bit, stereo Mengekalkan semua yang ditangkap mikrofon Fail induk terbaik; perhatikan saiz sesi panjang
FLAC Tanpa kehilangan (termampat) Arkib, eksport editor Lebih kecil daripada WAV sama; penjimatan berbeza Audio sama seperti WAV asal Gunakan menggantikan WAV untuk jimat ruang
AIFF / ALAC / CAF AIFF biasanya tidak termampat; ALAC tanpa kehilangan; CAF boleh mengandungi kedua-duanya Aplikasi Mac dan iPhone AIFF: sama seperti WAV pada tetapan sama Bergantung pada kodek di dalamnya Muat naik seperti asal
MP3 Berkehilangan Podcast, muat turun 0.96 MB pada 128 kbps Google: kodek berkehilangan boleh mengurangkan ketepatan Muat naik seperti asal
M4A / AAC Biasanya berkehilangan (AAC) Memo suara, runut bunyi video 0.48 MB pada 64 kbps Perhatian sama seperti MP3 Muat naik asal
OGG / Opus Berkehilangan Nota suara mesej, panggilan web 0.24 MB pada 32 kbps Opus berada dalam senarai pilihan Google untuk pertuturan berkehilangan Muat naik seperti asal
AMR (jalur sempit) Berkehilangan, pertuturan sahaja Telefon lama dan perakam panggilan Kira-kira 0.09 MB pada 12.2 kbps Hanya membawa 200 hingga 3,400 Hz (Library of Congress, AMR) Muat naik seperti asal; jangan naikkan kadar sampel

Fail video berfungsi dengan cara yang sama: alat membaca trek audio, jadi tambahan kosnya ialah saiz muat naik.

Berapa besar fail audio? Formula

Dua formula membolehkan anda menganggarkan saiz fail sebelum merakam atau memuat naik.

PCM tidak termampat (WAV, AIFF):

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

Contoh pengiraan:

  • 16 kHz, 16-bit, mono: 16,000 × 2 × 1 = 32,000 bait sesaat. × 60 = 1,920,000 bait, kira-kira 1.92 MB seminit, atau 115.2 MB sejam.
  • 44.1 kHz, 16-bit, stereo: 44,100 × 2 × 2 = 176,400 bait sesaat, kira-kira 10.58 MB seminit, atau 635 MB sejam.
  • 48 kHz, 24-bit, stereo: 48,000 × 3 × 2 = 288,000 bait sesaat, atau 1,036.8 MB sejam.

Berkehilangan pada kadar bit tetap (MP3, AAC, Opus):

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

  • 128 kbps: 128 × 7,500 = 960,000 bait, kira-kira 0.96 MB seminit, atau 57.6 MB sejam.
  • 64 kbps: 0.48 MB seminit; 32 kbps: 0.24 MB seminit.

Fail sebenar sedikit lebih besar disebabkan pengepala, dan fail berkadar bit berubah berbeza sekitar purata. Komputer yang memaparkan unit perduaan (MiB) menunjukkan angka kira-kira 5% lebih rendah.

Makna angka ini untuk had muat naik 5GB, 10 jam

whispertranscribe.ai menerima fail sehingga 5GB dan 10 jam. Berikut kesesuaian tetapan biasa, dengan andaian 5GB bermakna 5,000,000,000 bait:

Tetapan 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: kira-kira 7.9 jam muat
WAV, 48 kHz, 24-bit, stereo 1.04 GB 10.37 GB Tidak: kira-kira 4.8 jam muat
MP3, 128 kbps 57.6 MB 576 MB Ya
Opus, 32 kbps 14.4 MB 144 MB Ya

Fail WAV klasik juga mempunyai had sendiri: medan saiz 32-bit mengehadkannya kepada kira-kira 4 GB, dan rakaman lebih panjang memerlukan sambungan RF64 (Library of Congress). Untuk rakaman tanpa kehilangan yang sangat panjang, FLAC atau WAV mono 16 kHz mengelakkan kedua-dua masalah.

Perkara yang lebih penting daripada format audio

Suara jelas dekat dengan mikrofon yang disimpan sebagai MP3 biasanya lebih baik daripada fail tanpa kehilangan yang dirakam di seberang bilik bising. Tetapan dan amalan berikut banyak menentukan hasil.

Kadar sampel: adakah 16 kHz mencukupi?

Ya, untuk pertuturan. Google mengesyorkan 16,000 Hz atau lebih tinggi (amalan terbaik); tutorialnya menjelaskan bahawa kadar lebih rendah meninggalkan sedikit atau tiada maklumat melebihi 8 kHz. Kod sumber terbuka Whisper OpenAI menukar setiap input kepada mono 16,000 Hz sebelum model memprosesnya (whisper/audio.py). Rakaman pada 44.1 atau 48 kHz juga baik, cuma lebih besar.

Menaikkan kadar selepas itu tidak membantu: Google menyatakan fail 8 kHz yang dinaikkan kepada 44.1 kHz masih mengandungi julat frekuensi kira-kira 4 kHz sahaja. Muat naik audio telefon, lazimnya 8,000 Hz, pada kadar asal.

Kedalaman bit: 16-bit atau 24-bit?

Google mengesyorkan 16 bit atau lebih dan menyatakan penukaran audio 8-bit kepada 16-bit tidak menambah apa-apa kerana julat dinamik ditentukan semasa rakaman. Mengekalkan 24-bit daripada perakam tidak memudaratkan; menukar 16-bit kepada 24-bit tidak menambah butiran.

Kadar bit untuk fail termampat

Tiada standard yang menetapkan kadar bit yang menjamin transkripsi baik. Panduan Google berkaitan jenis kodek: kodek berkehilangan boleh mengurangkan ketepatan, dan bunyi atau gema lebih menjejaskan apabila mampatan berkehilangan digunakan. Jika perlu memampatkan, lakukan sekali pada tetapan sederhana dan elakkan rantaian seperti WAV ke MP3 ke OGG.

Jarak mikrofon, bunyi dan tahap

Daripada nasihat prapemprosesan Google:

  • Letakkan mikrofon sedekat mungkin secara munasabah dengan penutur, khususnya apabila ada bunyi latar.
  • Elakkan clipping. Puncak yang terherot tidak dapat dibaiki kemudian.
  • Matikan kawalan gandaan automatik dan pengurangan bunyi jika aplikasi membenarkannya. Google menyatakan pemprosesan pengurangan bunyi sebelum pengecaman biasanya mengurangkan ketepatan.

Mono atau stereo?

Untuk satu mikrofon dikongsi, mono mencukupi. Whisper mencampurkan stereo kepada mono, jadi stereo dengan suara sama pada kedua-dua sisi hanya menggandakan saiz muat naik. Kekalkan stereo apabila setiap sisi mengandungi orang berbeza, seperti banyak perakam panggilan atau satu mikrofon lavalier setiap saluran. Google menasihatkan supaya setiap saluran dihantar secara berasingan dalam keadaan itu, dan rakaman bercampur dihantar seperti asal.

Rakaman berbilang trek

Alat podcast dan temu bual jauh sering merakam setiap orang pada trek berasingan. Sama ada eksport satu trek bercampur dan hidupkan label penutur (paling mudah), atau transkripsikan setiap trek secara berasingan dan gabungkan teks mengikut cap masa (audio paling jelas, tetapi anda perlu menggabungkannya).

Format dan tetapan disyorkan mengikut situasi

Situasi “sudah ada fail” lebih lazim, dan jawapannya biasanya “muat naik sahaja”.

Situasi Rakam sebagai (jika boleh memilih) Jika sudah ada Sebelum memuat naik Perhatikan
Temu bual bersemuka WAV atau FLAC, mono setiap mikrofon, 44.1 atau 48 kHz M4A atau MP3 daripada telefon Catat nama dan istilah Tetamu lebih perlahan daripada penemu bual
Temu bual jauh atau podcast, setiap trek Trek setiap penutur, tanpa kehilangan WAV berasingan serta MP3 bercampur Pilih campuran atau setiap trek Percakapan bertindih dalam campuran
Rakaman mesyuarat (Zoom, Teams, Meet) Pilihan audio platform, jika tersedia MP4 atau M4A Ekstrak audio hanya jika video sangat besar Satu mikrofon komputer riba untuk seluruh bilik
Memo suara telefon Tetapan lalai aplikasi .m4a Eksport fail asal Telefon dalam poket semasa merakam
Episod podcast diterbitkan Tidak berkenaan MP3 yang diterbitkan Gunakan WAV atau FLAC sebelum penerbitan jika ada Muzik pembukaan; tetapkan bahasa
Kuliah atau seminar Mono, 16-bit, mikrofon dekat pensyarah MP3 panjang atau video Semak panjang berbanding 10 jam Soalan hadirin jauh daripada mikrofon
Rakaman panggilan telefon Tetapan lalai perakam AMR, M4A atau WAV 8 kHz Kekalkan kadar sampel asal Peraturan persetujuan; jangan naikkan kadar sampel

Dapatkan persetujuan yang diperlukan sebelum merakam panggilan atau acara, termasuk izin penganjur apabila berkenaan, dan patuhi larangan rakaman. Panduan kami tentang cara merakam panggilan telefon dan undang-undang rakaman panggilan mengikut negeri membincangkannya. Ini bukan nasihat undang-undang.

Cara menukar audio untuk transkripsi dengan FFmpeg

Tukar hanya apabila perlu: fail terlalu besar, anda mahukan muat naik lebih ringan daripada video, alat menolak kodek, atau anda mahukan penutur dalam fail berasingan. Menukar untuk meningkatkan “kualiti” tidak berkesan.

Berikut ialah contoh perintah FFmpeg; gunakan ffprobe untuk memeriksa output dan semak kesesuaiannya dengan fail anda. Pilihan diterangkan dalam dokumentasi FFmpeg.

1. Sebarang fail kepada WAV 16-bit mono 16 kHz (bentuk yang sama seperti penukaran dalaman Whisper):

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

2. Sebarang fail kepada FLAC mono 16 kHz (tanpa kehilangan dan biasanya lebih kecil daripada WAV):

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

3. Video kepada MP3 mono kecil (menambah satu langkah berkehilangan; gunakan apabila saiz paling penting):

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

4. Ekstrak audio daripada video tanpa pengekodan semula (berfungsi apabila audio ialah AAC, yang biasa dalam fail MP4):

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

5. Pisahkan rakaman dua saluran kepada satu fail setiap penutur (menggunakan penapis channelsplit):

ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
Pilihan Fungsinya
-ac 1 Mencampurkan audio kepada satu saluran
-ar 16000 Menetapkan kadar sampel output kepada 16,000 Hz
-c:a pcm_s16le Menulis PCM tidak termampat 16-bit (WAV standard)
-vn Membuang aliran video
-c:a copy Menyalin audio seperti asal tanpa perubahan kualiti
-b:a 64k Menetapkan kadar bit berkehilangan

Utamakan perintah 4 berbanding perintah 3 apabila audio video sudah dalam AAC, kerana ia mengekalkan kualiti asal. Untuk audio telefon 8 kHz, tinggalkan -ar 16000 supaya kadar sampel tidak dinaikkan.

Tiada baris perintah? Penukar audio dan video kepada MP3 whispertranscribe.ai mengekstrak trek audio daripada MP4, MOV, MKV, WEBM atau AVI dalam pelayar anda. Halaman tersebut menyatakan ia menggunakan WebAssembly dan fail diproses dalam pelayar, bukan dimuat naik.

Fail besar: kekal di bawah 5GB dan 10 jam

  • Terlalu besar tetapi kurang daripada 10 jam: biasanya video atau WAV resolusi tinggi. Ekstrak audio (perintah 4 atau penukar pelayar) atau tukar WAV kepada FLAC (perintah 2).
  • Lebih daripada 10 jam: halaman muat naik memaparkan “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.” Pisahkan fail. Perintah pemisahan tanpa pengekodan semula dalam panduan MP3 kepada teks kami boleh digunakan pada WAV; semak hasilnya pada salinan fail anda. Semak sambungan apabila menggabungkan teks.
  • Sambungan perlahan: satu jam MP3 64 kbps kira-kira 28.8 MB, berbanding 635 MB untuk WAV stereo seperti CD. Simpan fail asal tanpa kehilangan sebagai arkib.

Penyelesaian masalah format audio

Masalah Kemungkinan punca Apa yang boleh dicuba
“No audio detected. The file may be corrupted. Please check the file and try again.” (dipaparkan pada halaman muat naik kami) Fail rosak, video dieksport tanpa bunyi atau trek audio kosong Mainkan secara setempat; jalankan pemeriksaan audio ffprobe di atas (tiada output bermakna tiada aliran audio); eksport semula daripada aplikasi asal
Muat naik ditolak kerana terlalu panjang Fail melebihi 10 jam Pisahkan kepada bahagian 10 jam atau kurang
Fail terlalu besar Video atau WAV resolusi tinggi berbilang saluran Ekstrak audio atau tukar WAV kepada FLAC
WAV melebihi 4 GB tidak dapat dibuka atau dimuat naik Had saiz WAV klasik Eksport semula sebagai RF64 atau FLAC, atau pisahkan
Seorang penutur jauh lebih perlahan daripada yang lain Setiap orang berada pada saluran berasingan yang dirakam pada tahap berbeza Pisahkan saluran (perintah 5) dan transkripsikan setiap fail
Puncak terherot dan berkeriut Clipping semasa rakaman Tidak dapat dibaiki; kurangkan gandaan input pada masa berikutnya
Audio telefon masih lemah selepas ditukar kepada 48 kHz Menaikkan kadar sampel tidak menambah maklumat Muat naik asal; cuba pilihan bahasa “Noise / Low-Quality Audio/Video” apabila tersedia

Kegunaan whispertranscribe.ai

whispertranscribe.ai ialah alat transkripsi berkuasa model Whisper OpenAI yang berjalan dalam pelayar web (tiada aplikasi, API atau semakan manusia). Penukar audio kepada teks percuma dan halaman muat naik lain menyenaraikan format ini: MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG dan MPEG.

  • Had: fail sehingga 5GB dan 10 jam.
  • Bahasa: 130+ bahasa, dengan pilihan “Noise / Low-Quality Audio/Video” untuk banyak bahasa.
  • Ketepatan: sehingga 99% pada audio jelas. Bunyi, jarak, loghat dan percakapan bertindih mengurangkannya.
  • Penutur: hidupkan Speaker Detection sebelum mentranskripsi.
  • Eksport: DOCX, PDF, TXT, CSV, SRT dan VTT.
  • Privasi: dasar privasi menyatakan muat naik asal dipadam selepas pemprosesan dan fail MP3 yang diekstrak disimpan selama 30 hari secara lalai.

Untuk rakaman tertentu, lihat halaman fail MP3, memo suara, panggilan telefon, temu bual dan kuliah serta seminar. Cuba fail pada halaman percuma tanpa akaun (had dipaparkan di situ). Pelan berbayar: bermula $9.99/bulan dibilkan tahunan (harga). Selebihnya terdapat pada halaman ciri.

Soalan lazim

Apakah format audio terbaik untuk transkripsi?

WAV atau FLAC ialah format audio terbaik untuk transkripsi apabila anda mengawal rakaman, sebaiknya mono pada 16 kHz atau lebih tinggi dengan kedalaman 16-bit. Apabila anda sudah mempunyai fail termampat seperti MP3, M4A atau Opus, muat naik seperti asal dan bukannya menukarnya. Kualiti rakaman, iaitu mikrofon dekat, bunyi latar rendah dan tiada clipping, biasanya lebih penting daripada pilihan format ini.

Adakah WAV lebih baik daripada MP3 untuk transkripsi?

WAV yang dirakam daripada sumber mengekalkan lebih banyak butiran daripada MP3, dan Google menyatakan kodek berkehilangan seperti MP3 boleh mengurangkan ketepatan pengecaman. Perbezaannya sering kecil pada pertuturan jelas dan lebih besar pada rakaman bising. WAV yang dibuat daripada MP3 sedia ada tidak lebih baik daripada MP3 tersebut kerana butiran yang dibuang sudah tiada. Rakam dalam WAV atau FLAC apabila boleh, dan muat naik MP3 seperti asal.

Kadar sampel apakah patut saya gunakan untuk transkripsi?

Gunakan 16 kHz atau lebih tinggi. Google mengesyorkan sekurang-kurangnya 16,000 Hz untuk pengecaman pertuturan, dan Whisper OpenAI menukar semua audio kepada mono 16 kHz sebelum pemprosesan. Rakaman pada 44.1 atau 48 kHz juga baik dan lazim. Jangan naikkan kadar lebih rendah selepas itu: rakaman telefon 8 kHz patut dimuat naik pada 8 kHz kerana menaikkan kadar sampel menambah saiz fail tetapi bukan maklumat pertuturan.

Patutkah saya merakam dalam mono atau stereo untuk transkripsi?

Rakam dalam mono apabila semua orang berkongsi satu mikrofon. Whisper mencampurkan stereo kepada mono, jadi salinan stereo suara yang sama hanya menggandakan saiz fail. Kekalkan stereo atau berbilang trek apabila setiap penutur berada pada saluran berasingan, seperti perakam panggilan atau satu mikrofon setiap tetamu. Google menasihatkan agar saluran berasingan ditranskripsi secara berasingan, yang boleh dilakukan dengan memisahkan saluran menggunakan FFmpeg.

Berapa besar fail WAV seminit?

Ia bergantung pada tetapan: darab kadar sampel dengan bait setiap sampel dan bilangan saluran untuk mendapatkan bait sesaat. WAV mono 16 kHz, 16-bit ialah 16,000 × 2 × 1 = 32,000 bait sesaat, kira-kira 1.92 MB seminit atau 115.2 MB sejam. Stereo 44.1 kHz, 16-bit seperti CD ialah kira-kira 10.58 MB seminit, atau 635 MB sejam.

Bolehkah saya memuat naik fail video tanpa mengekstrak audio?

Ya. Alat transkripsi membaca trek audio dan mengabaikan gambar, jadi MP4, MOV, MKV atau WEBM memberikan transkrip yang sama seperti audio yang diekstrak daripadanya. Video hanya menjadikan muat naik lebih besar. Ekstrak audio apabila fail hampir mencapai had saiz atau sambungan anda perlahan, contohnya dengan -vn -c:a copy FFmpeg, yang mengekalkan kualiti audio asal. Pada whispertranscribe.ai anda boleh memuat naik video seperti asal dan mengeksport DOCX, TXT, SRT atau VTT.


Ada rakaman yang sedia digunakan? Muat naik seperti asal ke whispertranscribe.ai melalui penukar audio kepada teks percuma: pilih satu daripada 130+ bahasa, hidupkan Speaker Detection, kemudian muat turun DOCX, TXT, SRT atau VTT. Fail sehingga 5GB dan 10 jam.

Rujukan

Mahu menukar rakaman kepada teks?

Transkripsikan audio dan video dengan whispertranscribe.ai.

Mulakan transkripsi ↗