Av redaksjonen i whispertranscribe.ai · Sist oppdatert: november 2026 · 12 minutters lesning
Det beste lydformatet for transkripsjon er tapsfri lyd, WAV (16-bit PCM) eller FLAC, tatt opp i mono ved 16 kHz eller høyere når du selv styrer opptaket. Har du allerede en MP3-, M4A- eller videofil, last den opp som den er. Konvertering av en komprimert fil kan ikke gjenopprette tapte detaljer, og mikrofonavstand og støy påvirker resultatet mer.
Nedenfor finner du hva du bør velge før opptak, hva du gjør med en fil du har fått, formler for filstørrelse, innstillinger etter situasjon, FFmpeg-kommandoer og en feilsøkingstabell.
Åpenhet. whispertranscribe.ai utgir denne guiden. Tekniske påstander lenker til Google Cloud, OpenAIs Whisper-kode, FFmpeg eller Library of Congress. Vi utførte ingen nøyaktighetstester for artikkelen, og ingenting her lover at ett format gir en bestemt prosentvis forbedring.
Kort svar: beste lydformat for transkripsjon
Velg etter hvor du er i arbeidsprosessen, ikke én enkelt «vinner».
| Din situasjon | Beste valg | Hvorfor |
|---|---|---|
| Du setter opp en opptaker eller app | WAV (16-bit) eller FLAC, mono, 16 kHz eller høyere | Google anbefaler tapsfri FLAC eller LINEAR16 for talegjenkjenning |
| Du trenger små filer under opptak | En kodek med tap som passer tale, ved moderat bitrate | Googles foretrukne kodeker med tap for tale er i rekkefølge AMR-WB, Ogg Opus, Speex |
| Du har allerede en MP3-, M4A- eller Opus-fil | Last opp originalen | Omkoding gjenoppretter ingenting |
| Du har en video (MP4, MOV, MKV) | Last den opp; trekk ut lyd hvis den er svært stor | Bare lydsporet brukes |
| Talere ble tatt opp på separate spor | Behold sporene | Google anbefaler å sende hver kanal separat når hver person har sin egen |
Når du ikke trenger å bekymre deg for format: et talememo fra telefonen, en publisert podkastepisode eller et Zoom- eller Teams-opptak. Last det opp, velg riktig talespråk og bruk tiden på å kontrollere navn.
Format, kodek og beholder: hva filendelsen skjuler
Filendelsen angir beholderformatet, ikke alltid komprimeringen. Googles veiledning for lydoptimalisering sier at kodeker og filformater ikke er det samme. Tre vanlige overraskelser:
- WAV inneholder vanligvis ukomprimert lineær PCM, men formatet kan også inneholde andre kodingsformer (Library of Congress, WAVE).
- M4A kan inneholde AAC med tap eller tapsfri Apple Lossless (ALAC).
- OGG er en beholder som vanligvis inneholder Opus eller Vorbis, begge med tap.
For å se hva en fil faktisk inneholder, be FFmpegs ffprobe om bare lydstrømmene:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
Kommandoen er ikke kjørt i denne gjennomgangen. Den viser normalt én linje per lydstrøm; ingen utdata kan tyde på at filen mangler lydspor.
Sammenligning av lydformater for transkripsjon
Alle formatene nedenfor kan transkriberes. Forskjellen er hvor mange detaljer som er bevart og hvor stor filen blir. Størrelsene kommer fra formlene i neste avsnitt (1 MB = 1 000 000 byte).
| Format | Med tap eller tapsfritt | Vanlig kilde | Størrelse per minutt (eksempelinnstilling) | Effekt på transkripsjon | Hva du gjør |
|---|---|---|---|---|---|
| WAV (PCM) | Ukomprimert | Feltopptakere, lydredigering | 1,92 MB ved 16 kHz, 16-bit, mono; 10,58 MB ved 44,1 kHz, 16-bit, stereo | Beholder alt mikrofonen fanget opp | Beste master; pass på størrelsen ved lange økter |
| FLAC | Tapsfritt (komprimert) | Arkiver, eksport fra editor | Mindre enn samme WAV; besparelsen varierer | Samme lyd som WAV-filen | Bruk i stedet for WAV for å spare plass |
| AIFF / ALAC / CAF | AIFF vanligvis ukomprimert; ALAC tapsfritt; CAF kan inneholde begge | Mac- og iPhone-apper | AIFF: samme som WAV ved like innstillinger | Avhenger av kodeken inni | Last opp som den er |
| MP3 | Med tap | Podkaster, nedlastinger | 0,96 MB ved 128 kbps | Google: kodeker med tap kan redusere nøyaktigheten | Last opp som den er |
| M4A / AAC | Vanligvis med tap (AAC) | Talememoer, videolydspor | 0,48 MB ved 64 kbps | Samme forbehold som MP3 | Last opp originalen |
| OGG / Opus | Med tap | Talemeldinger, nettsamtaler | 0,24 MB ved 32 kbps | Opus står på Googles liste over foretrukne formater med tap for tale | Last opp som den er |
| AMR (smalbånd) | Med tap, bare tale | Eldre telefoner og samtaleopptakere | Omtrent 0,09 MB ved 12,2 kbps | Inneholder bare 200–3 400 Hz (Library of Congress, AMR) | Last opp som den er; ikke oppsample |
Videofiler fungerer på samme måte: Verktøyet leser lydsporet, så eneste kostnad er større opplasting.
Hvor stor er en lydfil? Formlene
To formler lar deg anslå filstørrelsen før opptak eller opplasting.
Ukomprimert PCM (WAV, AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels
Eksempler:
- 16 kHz, 16-bit, mono: 16 000 × 2 × 1 = 32 000 byte per sekund. × 60 = 1 920 000 byte, omtrent 1,92 MB per minutt, eller 115,2 MB per time.
- 44,1 kHz, 16-bit, stereo: 44 100 × 2 × 2 = 176 400 byte per sekund, omtrent 10,58 MB per minutt, eller 635 MB per time.
- 48 kHz, 24-bit, stereo: 48 000 × 3 × 2 = 288 000 byte per sekund, eller 1 036,8 MB per time.
Med tap ved konstant bitrate (MP3, AAC, Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (det vil si kbps × 7 500)
- 128 kbps: 128 × 7 500 = 960 000 byte, omtrent 0,96 MB per minutt, eller 57,6 MB per time.
- 64 kbps: 0,48 MB per minutt; 32 kbps: 0,24 MB per minutt.
Faktiske filer er litt større på grunn av headere, og filer med variabel bitrate varierer rundt gjennomsnittet. Datamaskiner som viser binære enheter (MiB), viser omtrent 5 % lavere tall.
Hva betyr tallene for en opplastingsgrense på 5 GB og 10 timer?
whispertranscribe.ai godtar filer på opptil 5 GB og 10 timer. Slik passer vanlige innstillinger, forutsatt at 5 GB betyr 5 000 000 000 byte:
| Innstilling | 1 time | 10 timer | Får 10 timer plass under 5 GB? |
|---|---|---|---|
| WAV, 16 kHz, 16-bit, mono | 115,2 MB | 1,15 GB | Ja |
| WAV, 44,1 kHz, 16-bit, stereo | 635 MB | 6,35 GB | Nei: omtrent 7,9 timer får plass |
| WAV, 48 kHz, 24-bit, stereo | 1,04 GB | 10,37 GB | Nei: omtrent 4,8 timer får plass |
| MP3, 128 kbps | 57,6 MB | 576 MB | Ja |
| Opus, 32 kbps | 14,4 MB | 144 MB | Ja |
En klassisk WAV-fil har også sitt eget tak: Størrelsesfeltet på 32 bit begrenser den til omtrent 4 GB, og lengre opptak trenger RF64-utvidelsen (Library of Congress). For svært lange tapsfrie opptak unngår FLAC eller en 16 kHz mono-WAV begge problemene.
Hva betyr mer enn lydformatet?
En tydelig stemme nær mikrofonen, lagret som MP3, slår vanligvis en tapsfri fil tatt opp på andre siden av et støyende rom. Disse innstillingene og vanene avgjør de fleste resultater.
Samplingsfrekvens: er 16 kHz nok?
Ja, for tale. Google anbefaler 16 000 Hz eller høyere (beste praksis); veiledningen forklarer at lavere frekvenser gir lite eller ingen informasjon over 8 kHz. OpenAIs open source-Whisper-kode konverterer alle inndata til 16 000 Hz mono før modellen behandler dem (whisper/audio.py). Opptak ved 44,1 eller 48 kHz går fint, men er større.
Å øke frekvensen etterpå hjelper ikke: Google bemerker at en 8 kHz-fil oppsamplet til 44,1 kHz fortsatt bare inneholder omtrent 4 kHz frekvensområde. Last opp telefonlyd, vanligvis 8 000 Hz, med original frekvens.
Bitdybde: 16-bit eller 24-bit?
Google anbefaler 16 bit eller mer og sier at konvertering av 8-bit lyd til 16-bit ikke gir noe, fordi dynamikkområdet ble fastlagt under opptaket. Det er ufarlig å beholde 24-bit fra opptakeren; konvertering fra 16-bit til 24-bit tilfører ingenting.
Bitrate for komprimerte filer
Ingen standard fastsetter en bitrate som garanterer god transkripsjon. Googles veiledning handler om kodektype: Kodeker med tap kan redusere nøyaktigheten, og støy eller ekko skader mer ved komprimering med tap. Hvis du må komprimere, gjør det én gang med moderat innstilling og unngå kjeder som WAV til MP3 til OGG.
Mikrofonavstand, støy og nivåer
Fra Googles råd om forbehandling:
- Plasser mikrofonen så nær taleren som rimelig mulig, særlig ved bakgrunnsstøy.
- Unngå klipping. Forvrengte topper kan ikke repareres senere.
- Slå av automatisk nivåregulering og støyreduksjon hvis appen tillater det. Google sier at støyreduksjon før gjenkjenning vanligvis reduserer nøyaktigheten.
Mono eller stereo?
For én felles mikrofon er mono nok. Whisper mikser uansett stereo ned til mono, så stereo med samme stemme på begge sider dobler bare opplastingen. Stereo er verdt å beholde når hver side inneholder en egen person, som ved mange samtaleopptakere eller én myggmikrofon per kanal. Google anbefaler da å sende hver kanal separat og et blandet opptak som det er.
Flersporsopptak
Podkast- og fjernintervjuverktøy tar ofte opp hver person på et eget spor. Eksporter enten ett blandet spor og slå på taleretiketter (enklest), eller transkriber hvert spor separat og slå sammen tekstene etter tidsstempel (renest lyd, men du må slå sammen selv).
Anbefalt format og innstillinger etter situasjon
«Du har allerede» er den vanligste situasjonen, og svaret er vanligvis «last den opp».
| Situasjon | Ta opp som (hvis du velger) | Hvis du allerede har | Før opplasting | Se opp for |
|---|---|---|---|---|
| Intervju ansikt til ansikt | WAV eller FLAC, mono per mikrofon, 44,1 eller 48 kHz | M4A eller MP3 fra telefon | Noter navn og faguttrykk | Gjesten er svakere enn intervjueren |
| Fjernintervju eller podkast, per spor | Hver talers eget spor, tapsfritt | Separate WAV-filer og en blandet MP3 | Velg blandet eller per spor | Overlappende tale i miksen |
| Møteopptak (Zoom, Teams, Meet) | Plattformens lydalternativ, hvis det tilbys | MP4 eller M4A | Trekk bare ut lyd hvis videoen er svært stor | Én PC-mikrofon for et helt rom |
| Talememo på telefon | Appens standard | .m4a | Eksporter originalen | Telefon i lommen under opptak |
| Publisert podkastepisode | Ikke aktuelt | Den utgitte MP3-filen | Bruk WAV eller FLAC fra før publisering hvis du har den | Musikkintroer; velg språk |
| Forelesning eller seminar | Mono, 16-bit, mikrofon nær foreleseren | En lang MP3 eller video | Kontroller lengden mot 10 timer | Publikumsspørsmål langt fra mikrofonen |
| Opptak av telefonsamtale | Opptakerens standard | AMR, M4A eller 8 kHz WAV | Behold original samplingsfrekvens | Samtykkeregler; ikke oppsample |
Innhent nødvendig samtykke og vertens tillatelse før opptak. Guidene til hvordan du tar opp en telefonsamtale og lover om samtaleopptak etter delstat dekker samtykkespørsmål. Dette er ikke juridisk rådgivning.
Slik konverterer du lyd for transkripsjon med FFmpeg
Konverter bare når du har en grunn: Filen er for stor, du ønsker mindre opplasting fra video, et verktøy avviser kodeken eller du ønsker talere i separate filer. Konvertering for «kvalitet» fungerer ikke.
Kommandoene er eksempler og er ikke kjørt i denne gjennomgangen. Bruk ffprobe til å kontrollere kodek, samplingsfrekvens og kanaler. Alternativene forklares i FFmpeg-dokumentasjonen.
1. Enhver fil til 16 kHz mono 16-bit WAV (samme form som Whisper konverterer til internt):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. Enhver fil til 16 kHz mono FLAC (tapsfritt og vanligvis mindre enn WAV):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. Video til en liten mono-MP3 (legger til ett komprimeringstrinn med tap; bruk når størrelsen er viktigst):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. Trekk lyd ut av en video uten omkoding (fungerer når lyden er AAC, som er vanlig i MP4):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. Del et opptak med to kanaler i én fil per taler (bruker channelsplit-filteret):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| Alternativ | Hva det gjør |
|---|---|
-ac 1 |
Mikser lyden ned til én kanal |
-ar 16000 |
Setter utgående samplingsfrekvens til 16 000 Hz |
-c:a pcm_s16le |
Skriver 16-bit ukomprimert PCM (standard WAV) |
-vn |
Fjerner videostrømmen |
-c:a copy |
Kopierer lyden som den er, uten kvalitetsendring |
-b:a 64k |
Angir bitrate for komprimering med tap |
Foretrekk kommando 4 fremfor kommando 3 når videolyden allerede er AAC, fordi den bevarer original kvalitet. For telefonlyd på 8 kHz, utelat -ar 16000 slik at du ikke oppsampler.
Ingen kommandolinje? whispertranscribe.ais lyd- og video-til-MP3-konverterer trekker ut lydsporet fra MP4, MOV, MKV, WEBM eller AVI i nettleseren. Siden sier at den bruker WebAssembly og at filene behandles i nettleseren uten opplasting.
Store filer: hold deg under 5 GB og 10 timer
- For stor, men under 10 timer: Vanligvis en video eller høyoppløselig WAV. Trekk ut lyden (kommando 4 eller nettleserkonvertereren) eller konverter WAV til FLAC (kommando 2).
- Lengre enn 10 timer: Opplastingssiden sier at bare filer på opptil 10 timer kan behandles og ber deg forkorte filen. Del den. Delingskommandoen uten omkoding i MP3 til tekst-guiden kan også brukes på WAV, men er ikke testet her. Kontroller overgangene når du slår sammen tekst.
- Treg forbindelse: Én time MP3 ved 64 kbps er omtrent 28,8 MB, mot 635 MB for stereo-WAV i CD-kvalitet. Behold den tapsfrie originalen i arkivet.
Feilsøking av lydformatproblemer
| Problem | Sannsynlig årsak | Prøv dette |
|---|---|---|
| «Ingen lyd oppdaget. Filen kan være skadet. Kontroller filen og prøv igjen.» (vist på våre opplastingssider) | Skadet fil, video eksportert uten lyd eller tomt lydspor | Spill av lokalt; kjør ffprobe-lydkontrollen ovenfor (ingen utdata betyr ingen lydstrøm); eksporter på nytt fra originalappen |
| Opplasting avvist som for lang | Fil over 10 timer | Del i deler på høyst 10 timer |
| Filen er for stor | Video eller høyoppløselig WAV med flere kanaler | Trekk ut lyden eller konverter WAV til FLAC |
| En WAV over 4 GB åpnes eller lastes ikke opp | Klassisk WAV-størrelsesgrense | Eksporter på nytt som RF64 eller FLAC, eller del den |
| Én taler er mye svakere enn den andre | Hver person er på separat kanal, tatt opp med ulike nivåer | Del kanalene (kommando 5) og transkriber hver fil |
| Forvrengte, knitrende topper | Klipping under opptak | Kan ikke repareres; senk inngangsnivået neste gang |
| Telefonlyd fortsatt dårlig etter konvertering til 48 kHz | Oppsampling tilfører ingen informasjon | Last opp originalen; prøv språkvalget «Noise / Low-Quality Audio/Video» der det tilbys |
Hvor passer whispertranscribe.ai inn?
whispertranscribe.ai er et transkripsjonsverktøy drevet av OpenAIs Whisper-modeller som kjører i nettleseren (ingen app, API eller menneskelig korrektur). Den gratis lyd-til-tekst-konvertereren og andre opplastingssider oppgir disse formatene: MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG og MPEG.
- Grenser: filer på opptil 5 GB og 10 timer.
- Språk: over 130 språk, med alternativer for støy eller lav lyd-/videokvalitet for mange av dem.
- Nøyaktighet: opptil 99 % ved klar lyd. Støy, avstand, aksenter og overlappende tale reduserer den.
- Talere: Slå på Speaker Detection før transkripsjon.
- Eksport: DOCX, PDF, TXT, CSV, SRT og VTT.
- Personvern: Personvernerklæringen sier at originale opplastinger slettes etter behandling og uttrekkede MP3-filer som standard beholdes i 30 dager.
For bestemte opptak, se sidene for MP3-filer, talememoer, telefonsamtaler, intervjuer og forelesninger og seminarer. Prøv en fil på gratis siden uten konto (grensene vises der). Betalte abonnementer fra $9.99/måned ved årlig betaling (priser). Resten finnes på funksjonssiden.
Vanlige spørsmål
Hva er det beste lydformatet for transkripsjon?
WAV eller FLAC er det beste lydformatet for transkripsjon når du styrer opptaket, helst mono ved 16 kHz eller høyere og 16-bit dybde. Har du allerede en komprimert fil som MP3, M4A eller Opus, last den opp som den er fremfor å konvertere. Opptakskvaliteten, altså nær mikrofon, lite bakgrunnsstøy og ingen klipping, betyr vanligvis mer enn hvilket av disse formatene du velger.
Er WAV bedre enn MP3 for transkripsjon?
En WAV tatt opp fra kilden beholder flere detaljer enn en MP3, og Google bemerker at kodeker med tap som MP3 kan redusere gjenkjenningsnøyaktigheten. Forskjellen er ofte liten ved tydelig tale og større ved støyende opptak. En WAV laget fra en eksisterende MP3 er ikke bedre enn MP3-filen, fordi de fjernede detaljene er borte. Ta opp i WAV eller FLAC når du kan, og last opp MP3 som den er.
Hvilken samplingsfrekvens bør jeg bruke for transkripsjon?
Bruk 16 kHz eller høyere. Google anbefaler minst 16 000 Hz for talegjenkjenning, og OpenAIs Whisper konverterer all lyd til 16 kHz mono før behandling. Opptak ved 44,1 eller 48 kHz er vanlig og går fint. Øk aldri en lavere frekvens etterpå: Et telefonopptak på 8 kHz bør lastes opp ved 8 kHz, fordi oppsampling øker filstørrelsen uten å tilføre taleinformasjon.
Bør jeg ta opp i mono eller stereo for transkripsjon?
Ta opp i mono når alle deler én mikrofon. Whisper mikser stereo til mono uansett, så en stereokopi av samme stemme dobler bare filstørrelsen. Behold stereo eller flerspor når hver taler har en separat kanal, som i en samtaleopptaker eller med én mikrofon per gjest. Google anbefaler å transkribere separate kanaler hver for seg; du kan dele kanalene med FFmpeg.
Hvor stor er en WAV-fil per minutt?
Det avhenger av innstillingene: Multipliser samplingsfrekvens med byte per sampel og antall kanaler for å få byte per sekund. En WAV i 16 kHz, 16-bit mono er 16 000 × 2 × 1 = 32 000 byte per sekund, omtrent 1,92 MB per minutt eller 115,2 MB per time. Stereo i CD-kvalitet med 44,1 kHz og 16-bit er omtrent 10,58 MB per minutt eller 635 MB per time.
Kan jeg laste opp en videofil i stedet for å trekke ut lyden?
Ja. Transkripsjonsverktøy leser lydsporet og ignorerer bildet, så en MP4, MOV, MKV eller WEBM gir samme transkripsjon som den uttrekkede lyden. Video gjør bare opplastingen større. Trekk ut lyden når en fil nærmer seg størrelsesgrensen eller forbindelsen er treg, for eksempel med FFmpegs -vn -c:a copy, som bevarer original lydkvalitet. På whispertranscribe.ai kan du laste opp videoen som den er og eksportere DOCX, TXT, SRT eller VTT.
Har du et opptak klart? Last det opp som det er til whispertranscribe.ais gratis lyd-til-tekst-konverterer: Velg ett av over 130 språk, slå på Speaker Detection og last ned DOCX, TXT, SRT eller VTT. Filer på opptil 5 GB og 10 timer.
Referanser
- Google Cloud: Beste praksis for taledata til Speech-to-Text
- Google Cloud: Optimaliser lydfiler for Speech-to-Text
- OpenAI: whisper/audio.py i Whisper GitHub-repository
- FFmpeg: Dokumentasjon for ffmpeg-kommandolinjen og channelsplit-filter
- Library of Congress: WAVE Audio File Format (fdd000001)
- Library of Congress: AMR, Adaptive Multi-Rate Speech Codec (fdd000254)
