whispertranscribe.ai အယ်ဒီတာအဖွဲ့ · နောက်ဆုံးပြင်ချိန် 2026 နိုဝင်ဘာ · ဖတ်ချိန် 12 မိနစ်
အသံသွင်းပုံကို ကိုယ်တိုင်ထိန်းချုပ်နိုင်လျှင် စာသားပြောင်းရန် အသင့်တော်ဆုံးပုံစံမှာ အသံအချက်အလက် မဆုံးရှုံးသည့် WAV (16-bit PCM) သို့မဟုတ် FLAC ဖြစ်သည်။ မိုနိုဖြင့် 16 kHz သို့မဟုတ် ထို့ထက်မြင့်သည့်နှုန်းတွင် သွင်းပါ။ MP3၊ M4A သို့မဟုတ် ဗီဒီယိုရှိပြီးသားဆို မူရင်းအတိုင်း တင်ပါ။ ချုံ့ထားသောဖိုင် ပြောင်းရုံဖြင့် ဆုံးရှုံးသွားသော အသေးစိတ် ပြန်မရပါ။ မိုက်နှင့် အကွာအဝေး၊ ဆူညံသံက ရလဒ်ကို ပိုသက်ရောက်သည်။
အောက်တွင် အသံမသွင်းမီ ရွေးချယ်ရန်၊ ရထားသောဖိုင်ကို အသုံးပြုရန်၊ ဖိုင်အရွယ် တွက်ချက်ရန်၊ အခြေအနေအလိုက် ဆက်တင်၊ FFmpeg ကွန်မန်းနှင့် ပြဿနာဖြေရှင်းဇယား ပါသည်။
ထုတ်ဝေသူ အသိပေးချက်။ ဤလမ်းညွှန်ကို whispertranscribe.ai ထုတ်ဝေသည်။ နည်းပညာဆိုင်ရာ အဆိုများအတွက် Google Cloud၊ OpenAI Whisper ကုဒ်၊ FFmpeg သို့မဟုတ် Library of Congress လင့်ခ်များ ပေးထားသည်။ မူရင်းဆောင်းပါးအတွက် တိကျမှုစမ်းသပ်ချက် မလုပ်ခဲ့ပါ။ ဖိုင်ပုံစံတစ်မျိုးက သတ်မှတ်ရာခိုင်နှုန်းတစ်ခု တိုးပေးမည်ဟု အာမမခံပါ။
အဖြေတို - စာသားပြောင်းရန် အကောင်းဆုံး အသံဖိုင်ပုံစံ
အားလုံးအတွက် တစ်မျိုးတည်းကို အကောင်းဆုံးဟု သတ်မှတ်မည့်အစား လုပ်ငန်းအဆင့်အလိုက် ရွေးပါ။
| သင့်အခြေအနေ | အကောင်းဆုံးရွေးချယ်မှု | အကြောင်းရင်း |
|---|---|---|
| ဖမ်းကိရိယာ သို့မဟုတ် အက်ပ် ပြင်နေ | WAV (16-bit) သို့မဟုတ် FLAC၊ မိုနို၊ 16 kHz နှင့်အထက် | စကားသံသိမှတ်ရန် Google က ဆုံးရှုံးမှုမရှိသော FLAC သို့မဟုတ် LINEAR16 ကို အကြံပြု |
| အသံသွင်းစဉ် ဖိုင်သေးလို | စကားသံအတွက် သင့်သော ဆုံးရှုံးမှုရှိကုဒက်၊ အလယ်အလတ် ဘစ်နှုန်း | Google ဦးစားပေးအစဉ်မှာ AMR-WB၊ Ogg Opus၊ Speex |
| MP3၊ M4A သို့မဟုတ် Opus ရှိပြီးသား | မူရင်းတင်ပါ | ထပ်ကုဒ်သွင်းလျှင် ပျောက်သည့်အချက် ပြန်မရ |
| ဗီဒီယိုရှိ (MP4၊ MOV၊ MKV) | တင်ပါ။ အလွန်ကြီးလျှင် အသံထုတ်ပါ | အသံလိုင်းကိုသာ အသုံးပြုသည် |
| ပြောသူတစ်ဦးစီ သီးခြားလိုင်းဖြင့် ဖမ်းထား | လိုင်းများ ထိန်းထားပါ | တစ်ဦးစီအတွက် သီးခြားချန်နယ်ရှိလျှင် သီးခြားပို့ရန် Google အကြံပြု |
ဖိုင်ပုံစံကို စိတ်ပူရန်မလိုသည့်အခါ: ဖုန်းအသံမှတ်စု၊ ထုတ်လွှင့်ပြီး ပေါ့ဒ်ကတ်စ်၊ Zoom သို့မဟုတ် Teams အသံဖိုင်။ ဖိုင်တင်ပြီး ပြောသော ဘာသာစကားမှန် ရွေးကာ အမည်စစ်ရန် အချိန်ပေးပါ။
ဖိုင်ပုံစံ၊ ကုဒက်နှင့် ဖိုင်အုံ - ဖိုင်နောက်ဆက်ကွယ်ထားသောအရာ
ဖိုင်နောက်ဆက်သည် ဖိုင်အုံအမည်ကို ပြသည်။ ချုံ့နည်းကို အမြဲမပြပါ။ Google ၏ အသံပြင်ဆင်နည်းလမ်းညွှန် က ကုဒက်နှင့် ဖိုင်ပုံစံ ကွာကြောင်း ရှင်းပြသည်။ မကြာခဏ တွေ့ရသော ဥပမာသုံးခုမှာ အောက်ပါအတိုင်းဖြစ်သည်။
- WAV မှာ ပုံမှန်အားဖြင့် မချုံ့ထားသော linear PCM ပါသော်လည်း အခြားကုဒ်ပုံစံများ ရှိနိုင်သည် (Library of Congress၊ WAVE)။
- M4A တွင် ဆုံးရှုံးမှုရှိသော AAC သို့မဟုတ် ဆုံးရှုံးမှုမရှိသော Apple Lossless (ALAC) သုံးနိုင်သည်။
- OGG သည် ဆုံးရှုံးမှုရှိသော Opus သို့မဟုတ် Vorbis ပါလေ့ရှိသည့် ဖိုင်အုံဖြစ်သည်။
ဖိုင်ထဲတွင် ဘာပါသလဲ ကြည့်ရန် FFmpeg ၏ ffprobe ဖြင့် အသံလိုင်းများကိုသာ ဖော်ပြပါ။
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
မူရင်းဆောင်းပါးအတွက် ဗီဒီယိုတိုတစ်ခုတွင် FFmpeg 7.1.5 ဖြင့် စမ်းခဲ့သည်။ အသံလိုင်းတစ်ခုလျှင် တစ်ကြောင်းထွက်သည်။ အသံဖယ်ထားသော မိတ္တူတွင် ဘာမှမထွက်ပါ။ အသံလိုင်းမပါသောဖိုင်ကို မတင်မီ အမြန်သိနိုင်သည့်နည်း ဖြစ်သည်။
စာသားပြောင်းရန် အသံဖိုင်ပုံစံများကို နှိုင်းယှဉ်ခြင်း
အောက်ပါ ပုံစံတိုင်းကို စာသားပြောင်းနိုင်သည်။ ကျန်သည့်အသေးစိတ် ပမာဏနှင့် ဖိုင်အရွယ် ကွာသည်။ အရွယ်များကို နောက်အပိုင်းရှိ ပုံသေနည်းများဖြင့် တွက်ထားသည် (1 MB = 1,000,000 ဘိုက်)။
| ပုံစံ | ဆုံးရှုံးမှုရှိ/မရှိ | ရလေ့ရှိသည့်နေရာ | တစ်မိနစ်အရွယ် (နမူနာဆက်တင်) | စာသားပြောင်းမှုအပေါ် သက်ရောက်မှု | ဘာလုပ်ရမလဲ |
|---|---|---|---|---|---|
| WAV (PCM) | မချုံ့ထား | ကွင်းဆင်းဖမ်းကိရိယာ၊ အသံတည်းဖြတ်စနစ် | 16 kHz၊ 16-bit မိုနိုတွင် 1.92 MB။ 44.1 kHz၊ 16-bit စတီရီယိုတွင် 10.58 MB | မိုက်ဖမ်းခဲ့သမျှ ထိန်းထား | မူရင်းသိမ်းရန် အကောင်းဆုံး။ အချိန်ရှည်လျှင် အရွယ်စစ်ပါ |
| FLAC | မဆုံးရှုံးဘဲ ချုံ့ | မော်ကွန်း၊ တည်းဖြတ်ကိရိယာမှ ထုတ်ယူဖိုင် | တူညီသော WAV ထက် သေး၊ ချွေတာမှုကွာ | WAV နှင့် တူညီသော အသံ | နေရာချွေတာရန် WAV အစားသုံးပါ |
| AIFF / ALAC / CAF | AIFF အများအားဖြင့် မချုံ့၊ ALAC မဆုံးရှုံး၊ CAF နှစ်မျိုးလုံး ထည့်နိုင် | Mac နှင့် iPhone အက်ပ်များ | AIFF: တူညီသောဆက်တင်ဖြင့် WAV အရွယ်အတိုင်း | အတွင်းကုဒက်ပေါ် မူတည်သည် | မူရင်းအတိုင်း တင်ပါ |
| MP3 | ဆုံးရှုံးမှုရှိ | ပေါ့ဒ်ကတ်စ်၊ ဒေါင်းလုဒ် | 128 kbps တွင် 0.96 MB | ဆုံးရှုံးမှုရှိကုဒက်က တိကျမှုလျော့စေနိုင်ဟု Google ဆို | မူရင်းအတိုင်း တင်ပါ |
| M4A / AAC | ပုံမှန် ဆုံးရှုံးမှုရှိ (AAC) | အသံမှတ်စု၊ ဗီဒီယိုအသံလိုင်း | 64 kbps တွင် 0.48 MB | MP3 နှင့် တူညီသော သတိထားစရာ | မူရင်းတင်ပါ |
| OGG / Opus | ဆုံးရှုံးမှုရှိ | စာတိုအက်ပ်အသံ၊ ဝဘ်ခေါ်ဆိုမှု | 32 kbps တွင် 0.24 MB | စကားသံအတွက် Google ရွေးသော ဆုံးရှုံးမှုရှိကုဒက်စာရင်းတွင် Opus ပါ | မူရင်းတင်ပါ |
| AMR (လှိုင်းနှုန်းအပိုင်းကျဉ်း) | ဆုံးရှုံးမှုရှိ၊ စကားသံသာ | ဖုန်းအဟောင်း၊ ခေါ်ဆိုမှုဖမ်းကိရိယာ | 12.2 kbps တွင် 0.09 MB ခန့် | 200 မှ 3,400 Hz အထိသာ သယ်နိုင် (Library of Congress၊ AMR) | မူရင်းတင်ပါ။ နမူနာနှုန်း မတိုးပါနှင့် |
ဗီဒီယိုဖိုင်များလည်း ထိုနည်းအတိုင်းပင်။ အသံလိုင်းကို ဖတ်ပြီး ဖိုင်တင်ရမည့် အရွယ်သာ ပိုကြီးသည်။
အသံဖိုင် ဘယ်လောက်ကြီးသလဲ။ အရွယ်တွက်နည်း
အသံမသွင်းမီ သို့မဟုတ် မတင်မီ အရွယ်ခန့်မှန်းရန် ပုံသေနည်းနှစ်ခုရှိသည်။
မချုံ့ထားသော PCM (WAV၊ AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels
တွက်ချက်ပုံ ဥပမာများ:
- 16 kHz၊ 16-bit မိုနို: 16,000 × 2 × 1 = 32,000 ဘိုက်/စက္ကန့်။ × 60 = 1,920,000 ဘိုက်၊ တစ်မိနစ် 1.92 MB ခန့်၊ တစ်နာရီ 115.2 MB ဖြစ်သည်။
- 44.1 kHz၊ 16-bit စတီရီယို: 44,100 × 2 × 2 = 176,400 ဘိုက်/စက္ကန့်၊ တစ်မိနစ် 10.58 MB ခန့်၊ တစ်နာရီ 635 MB။
- 48 kHz၊ 24-bit စတီရီယို: 48,000 × 3 × 2 = 288,000 ဘိုက်/စက္ကန့်၊ တစ်နာရီ 1,036.8 MB။
ပုံသေဘစ်နှုန်းဖြင့် ဆုံးရှုံးမှုရှိ (MP3၊ AAC၊ Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (ဆိုလိုသည်မှာ kbps × 7,500)
- 128 kbps: 128 × 7,500 = 960,000 ဘိုက်၊ တစ်မိနစ် 0.96 MB ခန့်၊ တစ်နာရီ 57.6 MB။
- 64 kbps: တစ်မိနစ် 0.48 MB။ 32 kbps: တစ်မိနစ် 0.24 MB။
ဖိုင်ခေါင်းပိုင်းအချက်အလက်ကြောင့် လက်တွေ့ဖိုင် အနည်းငယ်ပိုကြီးသည်။ ဘစ်နှုန်း ပြောင်းလဲနိုင်သော ဖိုင်များက ပျမ်းမျှအနီး အတိုးအလျော့ ရှိသည်။ MiB ဖြင့် ပြသော ကွန်ပျူတာတွင် နံပါတ် 5% ခန့် နည်းသည်။
5GB နှင့် 10 နာရီ ဖိုင်တင်ကန့်သတ်ချက်အတွက် အရွယ်နမူနာများ
whispertranscribe.ai သည် 5GB နှင့် 10 နာရီအထိ လက်ခံသည်။ 5GB ကို 5,000,000,000 ဘိုက်ဟု ယူဆပါက ဘုံဆက်တင်များအတွက် အောက်ပါအတိုင်း ဖြစ်သည်။
| ဆက်တင် | 1 နာရီ | 10 နာရီ | 10 နာရီစာ 5GB အောက် ဝင်မလား။ |
|---|---|---|---|
| WAV၊ 16 kHz၊ 16-bit၊ မိုနို | 115.2 MB | 1.15 GB | ဝင် |
| WAV၊ 44.1 kHz၊ 16-bit၊ စတီရီယို | 635 MB | 6.35 GB | မဝင်၊ 7.9 နာရီခန့် ဝင် |
| WAV၊ 48 kHz၊ 24-bit၊ စတီရီယို | 1.04 GB | 10.37 GB | မဝင်၊ 4.8 နာရီခန့် ဝင် |
| MP3၊ 128 kbps | 57.6 MB | 576 MB | ဝင် |
| Opus၊ 32 kbps | 14.4 MB | 144 MB | ဝင် |
သမားရိုးကျ WAV ဖိုင်တွင်လည်း ကန့်သတ်ချက် ရှိသည်။ 32-bit အရွယ်အကွက်ကြောင့် 4 GB ခန့်သာ ဆံ့ပြီး ပိုရှည်သောဖိုင်အတွက် RF64 တိုးချဲ့ပုံစံလိုသည် (Library of Congress)။ ဆုံးရှုံးမှုမရှိစေဘဲ အလွန်ရှည်လျှင် FLAC သို့မဟုတ် 16 kHz မိုနို WAV က နှစ်မျိုးလုံး ဖြေရှင်းနိုင်သည်။
အသံဖိုင်ပုံစံထက် ပိုအရေးပါသော အချက်များ
မိုက်အနီးတွင် ကြည်လင်သော အသံကို MP3 အဖြစ် သိမ်းထားသည်က ဆူညံသော အခန်းတစ်ဖက်မှ အသံကို ဆုံးရှုံးမှုမရှိသောဖိုင်ဖြင့် ဖမ်းထားခြင်းထက် ပိုကောင်းလေ့ရှိသည်။ အောက်ပါ ဆက်တင်နှင့် အလေ့အထများက ရလဒ်ကို ပိုဆုံးဖြတ်သည်။
နမူနာနှုန်း 16 kHz လုံလောက်သလား။
စကားသံအတွက် လုံလောက်သည်။ Google က 16,000 Hz သို့မဟုတ် အထက် အကြံပြုသည် (အကောင်းဆုံးလုပ်နည်းများ)။ နှုန်းနိမ့်လျှင် 8 kHz အထက် အချက်အလက် အလွန်နည်း သို့မဟုတ် မရှိကြောင်း Google လမ်းညွှန် ရှင်းပြသည်။ OpenAI ကုဒ်ဖွင့် Whisper က မော်ဒယ်မသုံးမီ အသံအားလုံးကို 16,000 Hz မိုနိုသို့ ပြောင်းသည် (whisper/audio.py)။ 44.1 သို့မဟုတ် 48 kHz ဖြင့် ဖမ်းနိုင်သော်လည်း ဖိုင်ပိုကြီးသည်။
နောက်မှ နှုန်းမြှင့်၍ မကောင်းလာပါ။ 8 kHz ဖိုင်ကို 44.1 kHz သို့ မြှင့်လည်း လှိုင်းနှုန်းအပိုင်း 4 kHz ခန့်သာ ကျန်မည်ဟု Google ဆိုသည်။ ပုံမှန်အားဖြင့် 8,000 Hz ဖြစ်သည့် ဖုန်းအသံကို မူရင်းနှုန်းအတိုင်း တင်ပါ။
ဘစ်အနက် 16-bit လား၊ 24-bit လား။
Google က 16 ဘစ် သို့မဟုတ် အထက်ကို အကြံပြုသည်။ အသံကျယ်တိုးအပိုင်းကို ဖမ်းစဉ်က သတ်မှတ်ပြီးဖြစ်သဖြင့် 8-bit အသံကို 16-bit ပြောင်းလည်း အကျိုးမရှိပါ။ ဖမ်းကိရိယာ၏ 24-bit ကို ဆက်ထားနိုင်သည်။ 16-bit မှ 24-bit သို့ပြောင်းလျှင် အချက်အလက် အသစ်မရပါ။
ချုံ့ဖိုင်အတွက် ဘစ်နှုန်း
စာသားရလဒ်ကောင်းမည်ဟု အာမခံသည့် ဘစ်နှုန်းစံ မရှိပါ။ Google က ကုဒက်အမျိုးအစားကို အဓိကထားသည်။ ဆုံးရှုံးမှုရှိကုဒက်က တိကျမှုလျော့နိုင်ပြီး အသံချုံ့လျှင် ဆူညံသံ၊ ပဲ့တင်သံ ပိုထိခိုက်နိုင်သည်။ မဖြစ်မနေ ချုံ့မည်ဆို နှုန်းအလယ်အလတ်ဖြင့် တစ်ကြိမ်သာ ချုံ့ပါ။ WAV မှ MP3၊ ထို့နောက် OGG ကဲ့သို့ ဆက်တိုက်ပြောင်းခြင်း ရှောင်ပါ။
မိုက်အကွာအဝေး၊ ဆူညံသံနှင့် အသံအဆင့်
Google ကြိုတင်လုပ်ဆောင်မှုအကြံပြုချက်များ:
- အထူးသဖြင့် နောက်ခံဆူညံသံရှိလျှင် မိုက်ကို ပြောသူအနီး တတ်နိုင်သမျှထားပါ။
- အသံထိပ်ဖြတ်ပျက်ခြင်း ရှောင်ပါ။ ပုံပျက်သွားသော အသံထိပ်များကို နောက်မှ ပြန်မပြင်နိုင်ပါ။
- အက်ပ်က ခွင့်ပြုလျှင် အလိုအလျောက် အသံအဝင်အဆင့်ညှိခြင်းနှင့် ဆူညံသံလျှော့စနစ်ကို ပိတ်ပါ။ အသံမသိမှတ်မီ ဆူညံသံလျှော့ခြင်းက တိကျမှုကို လျော့စေလေ့ရှိကြောင်း Google ဆိုသည်။
မိုနိုလား၊ စတီရီယိုလား။
မိုက်တစ်ခု မျှဝေလျှင် မိုနို လုံလောက်သည်။ Whisper က စတီရီယိုကို မိုနိုအဖြစ် ပေါင်းသည်။ တစ်ဖက်စီတွင် တူညီသောအသံဖြစ်လျှင် တင်ရမည့်အရွယ် နှစ်ဆသာ ဖြစ်သည်။ ခေါ်ဆိုမှုဖမ်းကိရိယာများ သို့မဟုတ် ချန်နယ်တစ်ခုလျှင် ကလစ်မိုက်တစ်ခု ကဲ့သို့ တစ်ဖက်စီတွင် တစ်ယောက်စီ ဖြစ်လျှင် စတီရီယို ထိန်းထားပါ။ ထိုအခါ ချန်နယ်များကို သီးခြား၊ ရောထားသောအသံကို မူရင်းအတိုင်း ပို့ရန် Google အကြံပြုသည်။
လိုင်းစုံ အသံဖိုင်
ပေါ့ဒ်ကတ်စ်နှင့် အဝေးမှ အင်တာဗျူးကိရိယာများက တစ်ယောက်စီကို သီးခြားလိုင်းပေါ်တွင် ဖမ်းလေ့ရှိသည်။ ရောထားသောလိုင်းတစ်ခု ထုတ်၍ ပြောသူအညွှန်းဖွင့်နိုင်သည် (အလွယ်ဆုံး)။ သို့မဟုတ် လိုင်းတစ်ခုစီ သီးခြားစာသားပြောင်းပြီး အချိန်အမှတ်ဖြင့် ပြန်ပေါင်းပါ (အသံအရှင်းဆုံး၊ သို့သော် ကိုယ်တိုင် ပေါင်းရသည်)။
အခြေအနေအလိုက် အကြံပြု အသံပုံစံနှင့် ဆက်တင်
ဖိုင်ရှိပြီးသား ဖြစ်လေ့ရှိသည်။ ထိုအခါ ပုံမှန်အားဖြင့် မူရင်းအတိုင်း တင်ပါ။
| အခြေအနေ | ရွေးနိုင်လျှင် အသံသွင်းဆက်တင် | ဖိုင်ရှိပြီးသားဆို | မတင်မီ | သတိပြုရန် |
|---|---|---|---|---|
| လူချင်းတွေ့ အင်တာဗျူး | WAV သို့မဟုတ် FLAC၊ မိုက်တစ်ခုစီ မိုနို၊ 44.1 သို့မဟုတ် 48 kHz | ဖုန်းမှ M4A သို့မဟုတ် MP3 | အမည်၊ ဝေါဟာရ မှတ်ပါ | ဧည့်သည်အသံက မေးသူထက် တိုးနိုင် |
| အဝေးမှ အင်တာဗျူး သို့မဟုတ် ပေါ့ဒ်ကတ်စ်၊ လိုင်းစုံ | ပြောသူတစ်ဦးစီ ဆုံးရှုံးမှုမရှိသော လိုင်း | သီးခြား WAV များနှင့် ရောထားသော MP3 | ရောထားသည် သို့မဟုတ် လိုင်းခွဲကို ရွေးပါ | ရောထားသောလိုင်းတွင် ထပ်ပြောသံ |
| အစည်းအဝေးဖိုင် (Zoom၊ Teams၊ Meet) | လိုအပ်သော သဘောတူညီချက်၊ စီစဉ်သူခွင့်ပြုချက်ရပြီးနောက် ပလက်ဖောင်းကပေးလျှင် အသံရွေးစရာ | MP4 သို့မဟုတ် M4A | ဗီဒီယို အလွန်ကြီးမှ အသံထုတ်ပါ | အခန်းတစ်ခန်းလုံးကို လက်ပ်တော့မိုက်တစ်ခု |
| ဖုန်းအသံမှတ်စု | အက်ပ်၏ ပုံသေဆက်တင် | .m4a | မူရင်းထုတ်ယူပါ | ဖမ်းနေစဉ် ဖုန်းကို အိတ်ထဲထည့်ထားခြင်း |
| ထုတ်ဝေပြီး ပေါ့ဒ်ကတ်စ်အပိုင်း | မသက်ဆိုင် | ထုတ်ထားသော MP3 | မထုတ်ဝေမီ WAV သို့မဟုတ် FLAC ရှိလျှင် သုံးပါ | အဖွင့်တီးလုံးနှင့် ဘာသာစကားရွေးချယ်မှု |
| ပို့ချချက် သို့မဟုတ် ဆွေးနွေးပွဲ | မိုနို၊ 16-bit၊ မိုက်ကို သင်ကြားသူအနီးထား | ရှည်သော MP3 သို့မဟုတ် ဗီဒီယို | ကြာချိန် 10 နာရီအောက် ရှိမရှိ စစ်ပါ | မိုက်နှင့် ဝေးနေသော ပရိသတ်မေးခွန်း |
| ဖုန်းခေါ်ဆိုမှုဖိုင် | ဖမ်းကိရိယာပုံသေ | AMR၊ M4A သို့မဟုတ် 8 kHz WAV | မူရင်း နမူနာနှုန်း ထားပါ | မဖမ်းမီ လိုအပ်သည့် သဘောတူညီချက်ယူပါ။ နမူနာနှုန်း မတိုးပါနှင့် |
ခေါ်ဆိုမှုဖမ်းခြင်းအတွက် သဘောတူညီချက်စည်းမျဉ်းများ ရှိသည်။ ဖုန်းခေါ်ဆိုမှုကို အသံသွင်းနည်း နှင့် ပြည်နယ်အလိုက် ခေါ်ဆိုမှုအသံသွင်းဥပဒေ ကို ဖတ်ပါ။ သီးခြားအခြေအနေအတွက် ဥပဒေအကြံဉာဏ်ရယူပါ။
FFmpeg ဖြင့် စာသားပြောင်းရန် အသံပြင်နည်း
ဖိုင်အရွယ် အလွန်ကြီးလျှင်၊ ဗီဒီယိုမှ ပိုသေးသော အသံဖိုင်လိုလျှင်၊ ကိရိယာက ကုဒက်လက်မခံလျှင် သို့မဟုတ် ပြောသူအလိုက် ဖိုင်ခွဲလိုလျှင်သာ ပြောင်းပါ။ ပုံစံပြောင်းရုံဖြင့် အရည်အသွေး မတိုးပါ။
မူရင်းဆောင်းပါးအတွက် အများပိုင် 11 စက္ကန့် စကားသံနှင့် ၎င်းမှ ဖန်တီးသော ဗီဒီယိုတိုကို FFmpeg 7.1.5 ဖြင့် ကွန်မန်းတစ်ခုစီ စမ်းခဲ့သည်။ ကွန်မန်း ပြီးမြောက်ခြင်းနှင့် ffprobe က မျှော်လင့်သော ကုဒက်၊ နမူနာနှုန်း၊ ချန်နယ်များကို ပြခြင်းကိုသာ စစ်ခဲ့သည်။ ရွေးချယ်စရာများကို FFmpeg စာရွက်စာတမ်း တွင် ရှင်းထားသည်။
1. ဖိုင်ကို 16 kHz မိုနို 16-bit WAV သို့ ပြောင်းခြင်း (Whisper အတွင်းပိုင်း ပြောင်းပုံနှင့် တူသည်):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. ဖိုင်ကို 16 kHz မိုနို FLAC သို့ ပြောင်းခြင်း (အချက်အလက် မဆုံးရှုံးဘဲ WAV ထက် သေးလေ့ရှိ):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. ဗီဒီယိုမှ မိုနို MP3 ဖိုင်သေး ထုတ်ခြင်း (ဆုံးရှုံးမှုရှိသည့် အဆင့်တစ်ဆင့် ထပ်သည်။ အရွယ်က အရေးအကြီးဆုံးဖြစ်လျှင် သုံးပါ):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. ထပ်ကုဒ်မသွင်းဘဲ ဗီဒီယိုမှ အသံထုတ်ခြင်း (MP4 တွင် တွေ့ရများသော AAC အသံဖြစ်လျှင် ရသည်):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. ချန်နယ်နှစ်ခုကို ပြောသူတစ်ယောက်စီအတွက် ဖိုင်တစ်ခုစီ ခွဲခြင်း (channelsplit စစ်ထုတ်စနစ် သုံးသည်):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| ရွေးချယ်စရာ | ဘာလုပ်သလဲ |
|---|---|
-ac 1 |
အသံကို ချန်နယ်တစ်ခုသို့ ရောသည် |
-ar 16000 |
အထွက်နမူနာနှုန်း 16,000 Hz သတ်မှတ်သည် |
-c:a pcm_s16le |
မချုံ့ထားသော 16-bit PCM (စံ WAV) ရေးသည် |
-vn |
ဗီဒီယိုလိုင်း ဖယ်သည် |
-c:a copy |
အသံကို အရည်အသွေးမပြောင်းဘဲ ကူးသည် |
-b:a 64k |
ဆုံးရှုံးမှုရှိသော ချုံ့စနစ်၏ ဘစ်နှုန်း သတ်မှတ်သည် |
ဗီဒီယိုအသံက AAC ရှိပြီးသားဆို မူရင်းအရည်အသွေး ထိန်းရန် ကွန်မန်း 3 အစား 4 သုံးပါ။ 8 kHz ဖုန်းအသံအတွက် နမူနာနှုန်း မမြှင့်ရန် -ar 16000 ထည့်မသုံးပါနှင့်။
ကွန်မန်းလိုင်း မသုံးချင်ဘူးလား။ whispertranscribe.ai ၏ အသံနှင့် ဗီဒီယိုကို MP3 ပြောင်းကိရိယာ က MP4၊ MOV၊ MKV၊ WEBM၊ AVI မှ အသံလိုင်းကို ဘရောက်ဇာထဲတွင် ထုတ်သည်။ WebAssembly သုံးပြီး ဖိုင်မတင်ဘဲ ဘရောက်ဇာတွင်သာ လုပ်ဆောင်ကြောင်း စာမျက်နှာက ဖော်ပြသည်။
ဖိုင်ကြီးများကို 5GB နှင့် 10 နာရီအတွင်း ထားနည်း
- အရွယ်ကြီးသော်လည်း 10 နာရီမပြည့်: ပုံမှန် ဗီဒီယို သို့မဟုတ် ကြည်လင်မှုမြင့် WAV ဖြစ်တတ်သည်။ အသံထုတ်ပါ (ကွန်မန်း 4 သို့မဟုတ် ဘရောက်ဇာကိရိယာ)။ သို့မဟုတ် WAV ကို FLAC ပြောင်းပါ (ကွန်မန်း 2)။
- 10 နာရီကျော်: ဖိုင်တင်စာမျက်နှာက «ယခုအချိန်တွင် 10 နာရီအထိ ဖိုင်များကိုသာ လုပ်ဆောင်နိုင်သည်။ ဖိုင်ကို 10 နာရီ သို့မဟုတ် အောက် ချုံ့ပြီး ထပ်စမ်းပါ» ဟု ဆိုသည်။ ဖိုင်ခွဲပါ။ MP3 မှစာသား လမ်းညွှန် ရှိ ထပ်ကုဒ်မသွင်းဘဲ ခွဲသည့်ကွန်မန်းက WAV တွင်လည်း ရသည်။ မူရင်းဆောင်းပါးအတွက် WAV နမူနာတွင် စမ်းခဲ့သည်။ စာသားပြန်ဆက်လျှင် ဆက်သည့်နေရာများ စစ်ပါ။
- အင်တာနက်နှေး: 64 kbps MP3 တစ်နာရီက 28.8 MB ခန့်၊ CD ပုံစံ စတီရီယို WAV က 635 MB ဖြစ်သည်။ မဆုံးရှုံးသော မူရင်းကို မော်ကွန်းအဖြစ် ထားပါ။
အသံဖိုင်ပုံစံ ပြဿနာဖြေရှင်းနည်း
| ပြဿနာ | ဖြစ်နိုင်သည့်အကြောင်း | ဘာစမ်းရမလဲ |
|---|---|---|
| «အသံမတွေ့ပါ။ ဖိုင်ပျက်နိုင်သည်။ စစ်ပြီး ထပ်စမ်းပါ» (ကျွန်ုပ်တို့၏ ဖိုင်တင်စာမျက်နှာတွင် ပြသည်) | ဖိုင်ပျက်၊ အသံမပါဘဲ ထုတ်ထားသော ဗီဒီယို၊ အသံလိုင်းအလွတ် | စက်တွင် ဖွင့်ပါ။ အထက်ပါ ffprobe ဖြင့် စစ်ပါ (ဘာမှမထွက်လျှင် အသံလိုင်းမရှိ)။ မူလအက်ပ်မှ ထပ်ထုတ်ပါ |
| ဖိုင်ရှည်လွန်း၍ တင်မရ | 10 နာရီကျော် | တစ်ပိုင်းလျှင် 10 နာရီ သို့မဟုတ် အောက် ခွဲပါ |
| ဖိုင်ကြီးလွန်း | ဗီဒီယို သို့မဟုတ် ကြည်လင်မှုမြင့် ချန်နယ်စုံ WAV | အသံထုတ်ပါ၊ သို့မဟုတ် WAV ကို FLAC ပြောင်းပါ |
| 4 GB ကျော် WAV ဖွင့်မရ၊ တင်မရ | သမားရိုးကျ WAV အရွယ်ကန့်သတ်ချက် | RF64၊ FLAC အဖြစ် ထပ်ထုတ်ပါ၊ သို့မဟုတ် ခွဲပါ |
| တစ်ဦးက အခြားသူထက် အသံအလွန်တိုး | သီးခြားချန်နယ်တွင် အသံအဆင့်အမျိုးမျိုးဖြင့် ဖမ်းထား | ချန်နယ်ခွဲ (ကွန်မန်း 5) ပြီး ဖိုင်တစ်ခုစီ စာသားပြောင်းပါ |
| အသံထိပ်များ ပုံပျက်၊ စူးရှပေါက်ပြဲ | အသံသွင်းစဉ် ဖြတ်ပျက်ခဲ့သည် | ပြန်မပြင်နိုင်ပါ။ နောက်တစ်ခါ အသံအဝင်အဆင့် လျှော့ပါ |
| 48 kHz ပြောင်းပြီးလည်း ဖုန်းအသံ မကောင်း | နမူနာနှုန်းမြှင့်၍ အချက်အလက် မတိုး | မူရင်းတင်ပါ။ ဘာသာစကားတွင် ရနိုင်ပါက «Noise / Low-Quality Audio/Video» စမ်းပါ |
whispertranscribe.ai ကို ဘယ်နေရာသုံးမလဲ။
whispertranscribe.ai သည် OpenAI Whisper မော်ဒယ်များဖြင့် ဘရောက်ဇာတွင် စာသားပြောင်းသည့် ကိရိယာ ဖြစ်သည်။ အက်ပ်၊ API သို့မဟုတ် လူဖြင့်တိုက်စစ်မှု မရှိပါ။ အခမဲ့ အသံမှစာသားပြောင်းကိရိယာ နှင့် အခြားဖိုင်တင်စာမျက်နှာများတွင် MP3၊ WAV၊ M4A၊ AAC၊ FLAC၊ OGG၊ OPUS၊ AMR၊ AIFF၊ ALAC၊ CAF၊ MP4၊ MOV၊ M4V၊ MKV၊ AVI၊ WMV၊ WEBM၊ MPG နှင့် MPEG တို့ပါသည်။
- ကန့်သတ်ချက်: 5GB နှင့် 10 နာရီအထိ။
- ဘာသာစကား: 130+။ များစွာတွင် «Noise / Low-Quality Audio/Video» ရှိသည်။
- တိကျမှု: ကြည်လင်သောအသံတွင် 99% အထိ။ ဆူညံသံ၊ အကွာအဝေး၊ လေယူလေသိမ်းနှင့် ထပ်ပြောသံများကြောင့် လျော့သည်။
- ပြောသူ: စာသားမပြောင်းမီ Speaker Detection ဖွင့်ပါ။
- ထုတ်ယူမှု: DOCX၊ PDF၊ TXT၊ CSV၊ SRT၊ VTT။
- ကိုယ်ရေးအချက်အလက်: လုပ်ဆောင်ပြီးနောက် မူရင်းဖိုင်တင်ချက်များ ဖျက်ပြီး ထုတ်ယူ MP3 များကို ပုံမှန် ရက် 30 ထားသည်ဟု ကိုယ်ရေးအချက်အလက်မူဝါဒ ဖော်ပြသည်။
သီးသန့်ဖိုင်အတွက် MP3 ဖိုင်များ၊ အသံမှတ်စု၊ ဖုန်းခေါ်ဆိုမှု၊ အင်တာဗျူး နှင့် ပို့ချချက်၊ ဆွေးနွေးပွဲ စာမျက်နှာများကို ကြည့်ပါ။ အကောင့်မလိုသော အခမဲ့စာမျက်နှာ တွင် ဖိုင်စမ်းပါ (ကန့်သတ်ချက်ကို ထိုနေရာတွင် ဖော်ပြထားသည်)။ အခပေးအစီအစဉ်က နှစ်စဉ်ပေးချေလျှင် တစ်လ $9.99 မှစသည် (ဈေးနှုန်း)။ ကျန်တာကို လုပ်ဆောင်ချက်စာမျက်နှာ တွင် ကြည့်ပါ။
မေးလေ့ရှိသောမေးခွန်းများ
စာသားပြောင်းရန် ဘယ်အသံဖိုင်ပုံစံ အကောင်းဆုံးလဲ။
ကိုယ်တိုင် အသံသွင်းပုံ ရွေးနိုင်လျှင် WAV သို့မဟုတ် FLAC က အကောင်းဆုံးဖြစ်သည်။ မိုနို၊ 16 kHz နှင့်အထက်၊ 16-bit အနက် သုံးပါ။ MP3၊ M4A၊ Opus ကဲ့သို့ ချုံ့ဖိုင် ရှိပြီးသားဆို မပြောင်းဘဲ တင်ပါ။ မိုက်နီးခြင်း၊ နောက်ခံဆူညံသံ နည်းခြင်း၊ အသံမဖြတ်ပျက်ခြင်းတို့က ဖိုင်ပုံစံထက် ပိုအရေးပါသည်။
စာသားပြောင်းရန် WAV က MP3 ထက် ကောင်းသလား။
အသံရင်းမြစ်မှ တိုက်ရိုက်ဖမ်းထားသော WAV က MP3 ထက် အသေးစိတ်ပိုထိန်းသည်။ MP3 ကဲ့သို့ ဆုံးရှုံးမှုရှိသော ကုဒက်များက စကားသံသိမှတ် တိကျမှုကို လျော့စေနိုင်ကြောင်း Google ဖော်ပြသည်။ ကြည်လင်သောစကားတွင် ကွာခြားမှု နည်းပြီး ဆူညံသံရှိပါက ပိုကွာသည်။ MP3 ရှိပြီးသားကို WAV ပြောင်းလည်း ထို MP3 ထက် မကောင်းပါ။ ဖယ်လိုက်သော အသေးစိတ် ပြန်မရပါ။ ဖြစ်နိုင်လျှင် WAV သို့မဟုတ် FLAC ဖြင့် သွင်းပြီး MP3 ရှိလျှင် မူရင်းအတိုင်း တင်ပါ။
စာသားပြောင်းရန် ဘယ်နမူနာနှုန်းသုံးသင့်သလဲ။
16 kHz သို့မဟုတ် ပိုမြင့်သောနှုန်း သုံးပါ။ စကားသံသိမှတ်ရန် Google က အနည်းဆုံး 16,000 Hz အကြံပြုပြီး OpenAI Whisper က မလုပ်ဆောင်မီ အသံအားလုံးကို 16 kHz မိုနိုသို့ ပြောင်းသည်။ 44.1 သို့မဟုတ် 48 kHz ဖြင့် ဖမ်းခြင်းက သာမန်ဖြစ်သည်။ နောက်မှ နှုန်းနိမ့်ကို မမြှင့်ပါနှင့်။ 8 kHz ဖုန်းအသံကို 8 kHz အတိုင်း တင်ပါ။ နမူနာနှုန်းမြှင့်လျှင် ဖိုင်ကြီးလာပြီး စကားသံ အချက်အလက် မတိုးပါ။
မိုနိုလား၊ စတီရီယိုလား။
အားလုံး မိုက်တစ်ခု မျှဝေပါက မိုနိုဖြင့် ဖမ်းပါ။ Whisper က စတီရီယိုကို မိုနိုသို့ ရောသဖြင့် တူညီသောအသံ စတီရီယိုဖိုင်က အရွယ်နှစ်ဆသာ ဖြစ်သည်။ ခေါ်ဆိုမှုဖမ်းကိရိယာ သို့မဟုတ် ဧည့်သည်တစ်ဦးစီအတွက် မိုက်တစ်ခုကဲ့သို့ သီးခြားချန်နယ်များ ဖြစ်လျှင် စတီရီယို သို့မဟုတ် လိုင်းစုံကို ထိန်းထားပါ။ Google က ချန်နယ်တစ်ခုစီ သီးခြားစာသားပြောင်းရန် အကြံပြုသည်။ FFmpeg ဖြင့် ခွဲနိုင်သည်။
WAV ဖိုင် တစ်မိနစ် ဘယ်လောက်ကြီးသလဲ။
ဆက်တင်ပေါ် မူတည်သည်။ နမူနာနှုန်းကို နမူနာတစ်ခုစီ၏ ဘိုက်နှင့် ချန်နယ်အရေအတွက်ဖြင့် မြှောက်လျှင် တစ်စက္ကန့်ဘိုက် ရမည်။ 16 kHz၊ 16-bit မိုနို WAV သည် 16,000 × 2 × 1 = 32,000 ဘိုက်/စက္ကန့်၊ တစ်မိနစ် 1.92 MB ခန့်၊ တစ်နာရီ 115.2 MB ခန့် ဖြစ်သည်။ CD ပုံစံ 44.1 kHz၊ 16-bit စတီရီယိုက တစ်မိနစ် 10.58 MB ခန့်၊ တစ်နာရီ 635 MB ဖြစ်သည်။
အသံမထုတ်ဘဲ ဗီဒီယို တိုက်ရိုက်တင်နိုင်သလား။
ရသည်။ ကိရိယာက အသံလိုင်းကို ဖတ်ပြီး ရုပ်ပုံကို မသုံးပါ။ MP4၊ MOV၊ MKV၊ WEBM မှ ထွက်လာသည့်စာသားသည် သီးခြားထုတ်ထားသည့် အသံနှင့် တူညီသည်။ ဗီဒီယိုက ဖိုင်အရွယ် ပိုကြီးစေသည်။ အရွယ်ကန့်သတ်ချက်နား ရောက်နေပါက သို့မဟုတ် အင်တာနက်နှေးပါက အသံထုတ်ပါ။ ဥပမာ FFmpeg မှ -vn -c:a copy က မူရင်းအသံ အရည်အသွေး ထိန်းထားသည်။ whispertranscribe.ai တွင် ဗီဒီယိုကို တိုက်ရိုက်တင်ပြီး DOCX၊ TXT၊ SRT သို့မဟုတ် VTT ထုတ်ယူနိုင်သည်။
အသံဖိုင် အဆင်သင့်ရှိပြီလား။ whispertranscribe.ai ၏ အခမဲ့ အသံမှစာသားပြောင်းကိရိယာ တွင် မူရင်းအတိုင်း တင်ပါ။ ဘာသာစကား 130+ မှ ရွေးပါ၊ Speaker Detection ဖွင့်ပါ၊ DOCX၊ TXT၊ SRT သို့မဟုတ် VTT ဒေါင်းလုဒ်လုပ်ပါ။ 5GB နှင့် 10 နာရီအထိ။
ရင်းမြစ်များ
- Google Cloud: Speech-to-Text အကောင်းဆုံးလုပ်နည်း (စကားသံဒေတာပေးခြင်း)
- Google Cloud: Speech-to-Text အတွက် အသံဖိုင် ပြင်ဆင်ခြင်း
- OpenAI: Whisper GitHub ရှိ whisper/audio.py
- FFmpeg: ffmpeg ကွန်မန်းလိုင်းစာတမ်း နှင့် channelsplit စစ်ထုတ်စနစ်
- Library of Congress: WAVE အသံဖိုင်ပုံစံ (fdd000001)
- Library of Congress: AMR, Adaptive Multi-Rate Speech Codec (fdd000254)
