Redakcja whispertranscribe.ai · Ostatnia aktualizacja: listopad 2026 · Czas czytania: 12 minut
Najlepszy format audio do transkrypcji to dźwięk bezstratny WAV (16-bit PCM) lub FLAC, nagrany w mono przy 16 kHz lub więcej, gdy masz wpływ na nagrywanie. Jeśli masz już MP3, M4A lub wideo, prześlij plik bez zmian. Konwersja skompresowanego pliku nie przywraca utraconych szczegółów, a odległość mikrofonu i hałas mają większy wpływ na wynik.
Poniżej: wybór przed nagrywaniem, postępowanie z otrzymanym plikiem, wzory na rozmiar, ustawienia według sytuacji, polecenia FFmpeg i tabela rozwiązywania problemów.
Informacja. whispertranscribe.ai publikuje ten poradnik. Twierdzenia techniczne odsyłają do Google Cloud, kodu Whisper OpenAI, FFmpeg lub Library of Congress. Nie przeprowadziliśmy testów dokładności na potrzeby artykułu i nie obiecujemy, że format poprawi ją o określony procent.
W skrócie: najlepszy format audio do transkrypcji
Wybieraj według etapu pracy, nie jednego „zwycięzcy”.
| Twoja sytuacja | Najlepszy wybór | Dlaczego |
|---|---|---|
| Konfigurujesz dyktafon lub aplikację | WAV (16-bit) lub FLAC, mono, 16 kHz lub więcej | Google zaleca bezstratny FLAC lub LINEAR16 do rozpoznawania mowy |
| Potrzebujesz małych plików podczas nagrywania | Stratny kodek odpowiedni do mowy przy umiarkowanym bitrate | Preferowane przez Google stratne kodeki mowy, kolejno: AMR-WB, Ogg Opus, Speex |
| Masz już plik MP3, M4A lub Opus | Prześlij oryginał | Ponowne kodowanie niczego nie przywraca |
| Masz wideo (MP4, MOV, MKV) | Prześlij je; wyodrębnij audio, jeśli jest ogromne | Używana jest tylko ścieżka audio |
| Mówcy zostali nagrani na osobnych ścieżkach | Zachowaj ścieżki | Google zaleca przesłać każdy kanał osobno, gdy każda osoba ma własny |
Kiedy nie martwić się formatem: notatka głosowa telefonu, opublikowany odcinek podcastu lub nagranie Zoom albo Teams. Prześlij je, wybierz właściwy język wypowiedzi i poświęć czas na sprawdzenie nazw.
Format, kodek i kontener: co ukrywa rozszerzenie
Rozszerzenie nazywa kontener, nie zawsze kompresję. Poradnik optymalizacji audio Google wyjaśnia, że kodeki i formaty plików to nie to samo. Trzy przykłady:
- WAV zwykle zawiera nieskompresowany liniowy PCM, lecz może zawierać inne kodowania (Library of Congress, WAVE).
- M4A może zawierać stratne AAC lub bezstratne Apple Lossless (ALAC).
- OGG to kontener zwykle zawierający stratny Opus lub Vorbis.
Aby zobaczyć rzeczywistą zawartość pliku, zapytaj ffprobe z FFmpeg tylko o strumienie audio:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
Polecenie pokazuje po jednym wierszu na strumień audio. Brak wyniku może oznaczać brak ścieżki audio; warto to sprawdzić przed przesłaniem.
Porównanie formatów audio do transkrypcji
Każdy poniższy format można transkrybować. Różni się liczba zachowanych szczegółów i rozmiar pliku. Wielkości wynikają ze wzorów w kolejnym rozdziale (1 MB = 1,000,000 bajtów).
| Format | Stratny czy bezstratny | Typowe źródło | Rozmiar na minutę (przykładowe ustawienie) | Wpływ na transkrypcję | Co zrobić |
|---|---|---|---|---|---|
| WAV (PCM) | Nieskompresowany | Rejestratory terenowe, edytory audio | 1.92 MB przy 16 kHz, 16-bit, mono; 10.58 MB przy 44.1 kHz, 16-bit, stereo | Zachowuje wszystko, co nagrał mikrofon | Najlepszy plik główny; przy długich sesjach uwaga na rozmiar |
| FLAC | Bezstratny (skompresowany) | Archiwa, eksporty edytorów | Mniejszy niż ten sam WAV; oszczędność się różni | Ten sam dźwięk co WAV | Użyj zamiast WAV, aby oszczędzić miejsce |
| AIFF / ALAC / CAF | AIFF zwykle nieskompresowany; ALAC bezstratny; CAF może zawierać oba rodzaje | Aplikacje Mac i iPhone | AIFF: tyle co WAV przy tych samych ustawieniach | Zależy od kodeka wewnątrz | Prześlij bez zmian |
| MP3 | Stratny | Podcasty, pliki do pobrania | 0.96 MB przy 128 kbps | Google: kodeki stratne mogą obniżyć dokładność | Prześlij bez zmian |
| M4A / AAC | Zwykle stratny (AAC) | Notatki głosowe, ścieżki wideo | 0.48 MB przy 64 kbps | To samo zastrzeżenie co dla MP3 | Prześlij oryginał |
| OGG / Opus | Stratny | Wiadomości głosowe, rozmowy internetowe | 0.24 MB przy 32 kbps | Opus jest na liście preferowanych stratnych kodeków mowy Google | Prześlij bez zmian |
| AMR (wąskopasmowy) | Stratny, tylko mowa | Starsze telefony i rejestratory rozmów | Około 0.09 MB przy 12.2 kbps | Zawiera tylko 200–3,400 Hz (Library of Congress, AMR) | Prześlij bez zmian; nie zwiększaj próbkowania |
Pliki wideo działają podobnie: narzędzie odczytuje ścieżkę audio, więc dodatkowy koszt to rozmiar przesyłania.
Jak duży jest plik audio? Wzory
Dwa wzory pozwalają oszacować rozmiar przed nagraniem lub przesłaniem.
Nieskompresowany PCM (WAV, AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels
Przykłady obliczeń:
- 16 kHz, 16-bit, mono: 16,000 × 2 × 1 = 32,000 bajtów na sekundę. × 60 = 1,920,000 bajtów, około 1.92 MB na minutę lub 115.2 MB na godzinę.
- 44.1 kHz, 16-bit, stereo: 44,100 × 2 × 2 = 176,400 bajtów na sekundę, około 10.58 MB na minutę lub 635 MB na godzinę.
- 48 kHz, 24-bit, stereo: 48,000 × 3 × 2 = 288,000 bajtów na sekundę lub 1,036.8 MB na godzinę.
Stratny przy stałym bitrate (MP3, AAC, Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (czyli kbps × 7,500)
- 128 kbps: 128 × 7,500 = 960,000 bajtów, około 0.96 MB na minutę lub 57.6 MB na godzinę.
- 64 kbps: 0.48 MB na minutę; 32 kbps: 0.24 MB na minutę.
Rzeczywiste pliki są nieco większe z powodu nagłówków, a bitrate zmienny waha się wokół średniej. Komputery wyświetlające jednostki binarne (MiB) pokazują liczby o około 5% niższe.
Co te liczby oznaczają dla limitu 5GB i 10 godzin?
whispertranscribe.ai przyjmuje pliki do 5GB i 10 godzin. Poniżej typowe ustawienia przy założeniu, że 5GB to 5,000,000,000 bajtów:
| Ustawienie | 1 godzina | 10 godzin | Czy 10 godzin mieści się poniżej 5GB? |
|---|---|---|---|
| WAV, 16 kHz, 16-bit, mono | 115.2 MB | 1.15 GB | Tak |
| WAV, 44.1 kHz, 16-bit, stereo | 635 MB | 6.35 GB | Nie: mieści się około 7.9 godziny |
| WAV, 48 kHz, 24-bit, stereo | 1.04 GB | 10.37 GB | Nie: mieści się około 4.8 godziny |
| MP3, 128 kbps | 57.6 MB | 576 MB | Tak |
| Opus, 32 kbps | 14.4 MB | 144 MB | Tak |
Klasyczny WAV ma również własny limit: 32-bitowe pole rozmiaru ogranicza go do około 4 GB, a dłuższe nagrania wymagają rozszerzenia RF64 (Library of Congress). Dla bardzo długich bezstratnych nagrań FLAC lub WAV mono 16 kHz pozwala uniknąć obu problemów.
Co jest ważniejsze niż format audio
Czysty głos blisko mikrofonu zapisany jako MP3 zwykle wygrywa z bezstratnym plikiem nagranym z drugiego końca hałaśliwej sali. Poniższe ustawienia i nawyki decydują o większości wyników.
Częstotliwość próbkowania: czy 16 kHz wystarczy?
Tak, dla mowy. Google zaleca 16,000 Hz lub więcej (najlepsze praktyki); poradnik wyjaśnia, że niższe częstotliwości pozostawiają mało informacji lub nie pozostawiają ich wcale powyżej 8 kHz. Otwarty kod Whisper OpenAI konwertuje każde wejście do mono 16,000 Hz przed przetworzeniem przez model (whisper/audio.py). Nagrywanie przy 44.1 lub 48 kHz jest w porządku, lecz pliki są większe.
Podniesienie częstotliwości później nie pomaga: Google zauważa, że plik 8 kHz zwiększony do 44.1 kHz nadal zawiera tylko około 4 kHz zakresu częstotliwości. Audio telefoniczne, zwykle 8,000 Hz, przesyłaj w oryginalnej częstotliwości.
Głębia bitowa: 16-bit czy 24-bit?
Google zaleca 16 bitów lub więcej i podaje, że konwersja 8-bitowego audio do 16 bitów nic nie daje, ponieważ zakres dynamiki ustalono podczas nagrywania. Zachowanie 24 bitów z rejestratora nie szkodzi; konwersja z 16 do 24 bitów nic nie dodaje.
Bitrate dla plików skompresowanych
Żaden standard nie ustala bitrate gwarantującego dobrą transkrypcję. Zalecenia Google dotyczą typu kodeka: kodeki stratne mogą obniżać dokładność, a hałas lub echo bardziej szkodzą przy kompresji stratnej. Jeśli musisz kompresować, zrób to raz przy umiarkowanym ustawieniu i unikaj ciągów WAV → MP3 → OGG.
Odległość mikrofonu, hałas i poziomy
Z porad Google dotyczących wstępnego przetwarzania:
- Umieść mikrofon rozsądnie blisko mówcy, zwłaszcza przy hałasie w tle.
- Unikaj przesterowania. Zniekształconych szczytów nie da się później naprawić.
- Wyłącz automatyczną regulację wzmocnienia i redukcję szumów, jeśli aplikacja pozwala. Google mówi, że redukcja szumów przed rozpoznawaniem zwykle obniża dokładność.
Mono czy stereo?
Przy jednym wspólnym mikrofonie wystarczy mono. Whisper i tak miksuje stereo do mono, więc ten sam głos po obu stronach tylko podwaja rozmiar przesyłania. Warto zachować stereo, gdy każdy kanał zawiera inną osobę, jak w wielu rejestratorach rozmów lub przy osobnym mikrofonie krawatowym na kanał. Google zaleca wtedy przesłać kanały osobno, a nagranie zmiksowane bez zmian.
Nagrania wielościeżkowe
Narzędzia do podcastów i zdalnych wywiadów często nagrywają każdą osobę na osobnej ścieżce. Możesz wyeksportować jedną zmiksowaną ścieżkę i włączyć etykiety mówców (najprościej) albo transkrybować każdą osobno i połączyć tekst według znaczników czasu (najczystsze audio, lecz łączenie należy do Ciebie).
Zalecane formaty i ustawienia według sytuacji
Sytuacja „mam już plik” jest częstsza, a odpowiedź to zwykle „prześlij go”.
| Sytuacja | Nagrywaj jako (jeśli wybierasz) | Jeśli już masz | Przed przesłaniem | Uwaga na |
|---|---|---|---|---|
| Wywiad osobisty | WAV lub FLAC, mono na mikrofon, 44.1 lub 48 kHz | M4A lub MP3 z telefonu | Zapisz nazwy i terminy | Gość cichszy od prowadzącego |
| Zdalny wywiad lub podcast, osobne ścieżki | Osobna bezstratna ścieżka każdego mówcy | Osobne WAV i zmiksowany MP3 | Wybierz miks lub osobne ścieżki | Nakładające się głosy w miksie |
| Nagranie spotkania (Zoom, Teams, Meet) | Opcja audio platformy, jeśli dostępna | MP4 lub M4A | Wyodrębnij audio tylko, gdy wideo jest ogromne | Jeden mikrofon laptopa na całą salę |
| Notatka głosowa telefonu | Domyślne ustawienie aplikacji | .m4a | Eksportuj oryginał | Telefon w kieszeni podczas nagrania |
| Opublikowany odcinek podcastu | Nie dotyczy | Opublikowany MP3 | Użyj WAV lub FLAC sprzed publikacji, jeśli go masz | Muzyczny wstęp; ustaw język |
| Wykład lub seminarium | Mono, 16-bit, mikrofon blisko wykładowcy | Długi MP3 lub wideo | Sprawdź długość względem 10 godzin | Pytania publiczności poza mikrofonem |
| Nagranie rozmowy telefonicznej | Domyślne ustawienie rejestratora | AMR, M4A lub WAV 8 kHz | Zachowaj oryginalną częstotliwość | Zasady zgody; nie zwiększaj próbkowania |
Przed nagraniem rozmowy lub wydarzenia uzyskaj wymaganą zgodę i, w stosownych przypadkach, zgodę organizatora; przestrzegaj zakazów nagrywania. Omawiamy to w poradnikach jak nagrać rozmowę telefoniczną i prawo nagrywania według stanów. To nie jest porada prawna.
Jak konwertować audio do transkrypcji za pomocą FFmpeg
Konwertuj tylko z powodu: plik jest za duży, chcesz mniejszy plik audio z wideo, narzędzie odrzuca kodek lub chcesz osobne pliki mówców. Konwersja dla „jakości” nie działa.
Użyj ffprobe, aby sprawdzić kodek, częstotliwość próbkowania i kanały wyniku. Opcje wyjaśnia dokumentacja FFmpeg.
1. Dowolny plik do WAV 16 kHz mono 16-bit (postać, do której Whisper konwertuje wewnętrznie):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. Dowolny plik do FLAC 16 kHz mono (bezstratny i zwykle mniejszy od WAV):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. Wideo do małego MP3 mono (dodaje jeden stratny etap; użyj, gdy najważniejszy jest rozmiar):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. Wyodrębnij audio z wideo bez ponownego kodowania (działa, gdy audio to AAC, częste w MP4):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. Rozdziel nagranie dwukanałowe na osobne pliki mówców (używa filtra channelsplit):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| Opcja | Działanie |
|---|---|
-ac 1 |
Miksuje audio do jednego kanału |
-ar 16000 |
Ustawia próbkowanie wyjściowe na 16,000 Hz |
-c:a pcm_s16le |
Zapisuje 16-bitowy nieskompresowany PCM (standardowy WAV) |
-vn |
Usuwa strumień wideo |
-c:a copy |
Kopiuje audio bez zmiany jakości |
-b:a 64k |
Ustawia stratny bitrate |
Wybierz polecenie 4 zamiast 3, gdy audio wideo jest już AAC, ponieważ zachowuje pierwotną jakość. Dla audio telefonicznego 8 kHz pomiń -ar 16000, aby nie zwiększać próbkowania.
Nie używasz wiersza poleceń? Konwerter audio i wideo na MP3 whispertranscribe.ai wyodrębnia ścieżkę audio z MP4, MOV, MKV, WEBM lub AVI w przeglądarce. Strona mówi, że używa WebAssembly i przetwarza pliki w przeglądarce bez przesyłania.
Duże pliki: jak zmieścić się w 5GB i 10 godzinach
- Za duży, ale poniżej 10 godzin: zwykle wideo lub WAV wysokiej rozdzielczości. Wyodrębnij audio (polecenie 4 lub konwerter przeglądarkowy) albo zamień WAV na FLAC (polecenie 2).
- Ponad 10 godzin: strona przesyłania pokazuje „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.” Podziel plik. Polecenie podziału bez ponownego kodowania w poradniku MP3 na tekst można zastosować także do WAV. Sprawdź połączenia przy scalaniu tekstu.
- Wolne połączenie: godzina MP3 64 kbps to około 28.8 MB wobec 635 MB dla stereo WAV jakości CD. Zachowaj bezstratny oryginał jako archiwum.
Rozwiązywanie problemów z formatem audio
| Problem | Prawdopodobna przyczyna | Co wypróbować |
|---|---|---|
| „No audio detected. The file may be corrupted. Please check the file and try again.” (komunikat na naszych stronach przesyłania) | Uszkodzony plik, wideo bez dźwięku lub pusta ścieżka audio | Odtwórz lokalnie; uruchom powyższą kontrolę ffprobe (brak wyniku oznacza brak strumienia audio); wyeksportuj ponownie z oryginalnej aplikacji |
| Przesłanie odrzucone jako zbyt długie | Plik ponad 10 godzin | Podziel na części po najwyżej 10 godzin |
| Plik za duży | Wideo lub wielokanałowy WAV wysokiej rozdzielczości | Wyodrębnij audio lub zamień WAV na FLAC |
| WAV ponad 4 GB nie otwiera się lub nie przesyła | Limit klasycznego WAV | Eksportuj ponownie jako RF64 lub FLAC albo podziel |
| Jeden mówca jest znacznie cichszy | Każda osoba jest na osobnym kanale nagranym z innym poziomem | Rozdziel kanały (polecenie 5) i transkrybuj każdy plik |
| Zniekształcone, trzaskające szczyty | Przesterowanie podczas nagrywania | Nie da się naprawić; następnym razem zmniejsz wzmocnienie wejścia |
| Audio telefoniczne nadal słabe po konwersji do 48 kHz | Zwiększenie próbkowania nie dodaje informacji | Prześlij oryginał; wypróbuj opcję „Noise / Low-Quality Audio/Video”, jeśli dostępna |
Gdzie pasuje whispertranscribe.ai
whispertranscribe.ai to narzędzie transkrypcji oparte na modelach Whisper OpenAI, działające w przeglądarce (bez aplikacji, API i ludzkiej korekty). Bezpłatny konwerter audio na tekst i inne strony przesyłania wymieniają formaty: MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG i MPEG.
- Limity: pliki do 5GB i 10 godzin.
- Języki: ponad 130 języków, z opcjami „Noise / Low-Quality Audio/Video” dla wielu z nich.
- Dokładność: do 99% przy czystym audio. Hałas, odległość, akcenty i nakładanie głosów ją obniżają.
- Mówcy: włącz Speaker Detection przed transkrypcją.
- Eksport: DOCX, PDF, TXT, CSV, SRT i VTT.
- Prywatność: polityka prywatności mówi, że oryginalne przesłane pliki są usuwane po przetworzeniu, a wyodrębnione MP3 domyślnie przechowywane przez 30 dni.
Dla konkretnych nagrań zobacz strony plików MP3, notatek głosowych, rozmów telefonicznych, wywiadów oraz wykładów i seminariów. Wypróbuj plik na bezpłatnej stronie bez konta (limity podano na stronie). Płatne plany: od $9.99/mies. przy płatności rocznej (cennik). Pozostałe informacje są na stronie funkcji.
Często zadawane pytania
Jaki format audio jest najlepszy do transkrypcji?
WAV lub FLAC to najlepszy format do transkrypcji, gdy kontrolujesz nagranie, najlepiej mono przy 16 kHz lub więcej i głębi 16 bitów. Jeśli masz już skompresowany MP3, M4A lub Opus, prześlij go bez konwersji. Jakość nagrania, czyli mikrofon blisko, mały hałas i brak przesterowania, zwykle jest ważniejsza niż wybór formatu.
Czy WAV jest lepszy od MP3 do transkrypcji?
WAV nagrany ze źródła zachowuje więcej szczegółów niż MP3, a Google wskazuje, że kodeki stratne, takie jak MP3, mogą zmniejszać dokładność rozpoznawania. Różnica jest często niewielka przy czystej mowie, a większa przy hałasie. WAV utworzony z istniejącego MP3 nie jest od niego lepszy, bo odrzucone szczegóły przepadły. Nagrywaj w WAV lub FLAC, gdy możesz, a MP3 przesyłaj bez zmian.
Jaką częstotliwość próbkowania wybrać do transkrypcji?
Użyj 16 kHz lub więcej. Google zaleca co najmniej 16,000 Hz do rozpoznawania mowy, a Whisper OpenAI konwertuje całe audio do mono 16 kHz przed przetworzeniem. Nagrywanie 44.1 lub 48 kHz jest poprawne i powszechne. Nie zwiększaj później niższej częstotliwości: nagranie telefoniczne 8 kHz prześlij jako 8 kHz, ponieważ zwiększenie próbkowania powiększa plik bez dodania informacji mowy.
Nagrywać mono czy stereo do transkrypcji?
Nagrywaj mono, gdy wszyscy korzystają z jednego mikrofonu. Whisper i tak miksuje stereo do mono, więc kopia stereo tego samego głosu tylko podwaja plik. Zachowaj stereo lub wiele ścieżek, gdy każdy mówca ma osobny kanał, np. w rejestratorze rozmów lub przy osobnym mikrofonie dla gościa. Google zaleca osobną transkrypcję osobnych kanałów, które można rozdzielić przez FFmpeg.
Ile zajmuje minuta pliku WAV?
Zależy od ustawień: pomnóż częstotliwość próbkowania przez bajty na próbkę i kanały, aby uzyskać bajty na sekundę. WAV mono 16 kHz, 16-bit to 16,000 × 2 × 1 = 32,000 bajtów na sekundę, około 1.92 MB na minutę lub 115.2 MB na godzinę. Stereo 44.1 kHz, 16-bit jakości CD to około 10.58 MB na minutę lub 635 MB na godzinę.
Czy mogę przesłać wideo zamiast wyodrębniać audio?
Tak. Narzędzia transkrypcji czytają ścieżkę audio i pomijają obraz, więc MP4, MOV, MKV lub WEBM daje tę samą transkrypcję co wyodrębnione audio. Wideo zwiększa tylko rozmiar przesyłania. Wyodrębnij audio, gdy plik zbliża się do limitu lub połączenie jest wolne, np. przez -vn -c:a copy w FFmpeg, co zachowuje jakość oryginalną. W whispertranscribe.ai możesz przesłać wideo bez zmian i wyeksportować DOCX, TXT, SRT lub VTT.
Masz nagranie? Prześlij je bez zmian do whispertranscribe.ai przez bezpłatny konwerter audio na tekst: wybierz jeden z ponad 130 języków, włącz Speaker Detection, a następnie pobierz DOCX, TXT, SRT lub VTT. Pliki do 5GB i 10 godzin.
Źródła
- Google Cloud: Najlepsze praktyki Speech-to-Text dla danych mowy
- Google Cloud: Optymalizacja plików audio dla Speech-to-Text
- OpenAI: whisper/audio.py w repozytorium Whisper
- FFmpeg: Dokumentacja wiersza poleceń ffmpeg i filtr channelsplit
- Library of Congress: WAVE Audio File Format (fdd000001)
- Library of Congress: AMR, Adaptive Multi-Rate Speech Codec (fdd000254)
