Melhor formato de áudio para transcrição: o que gravar, carregar e converter

Por Equipa editorial de whispertranscribe.ai · Última atualização: novembro de 2026 · 12 min de leitura

O melhor formato de áudio para transcrição é áudio sem perdas, WAV (PCM de 16 bits) ou FLAC, gravado em mono a 16 kHz ou mais, quando controla a gravação. Se já tiver MP3, M4A ou vídeo, carregue o ficheiro tal como está. Converter um ficheiro comprimido não recupera detalhes perdidos, e a distância do microfone e o ruído têm mais efeito no resultado.

A seguir: o que escolher antes de gravar, como lidar com um ficheiro recebido, fórmulas de tamanho, definições por situação, comandos FFmpeg e uma tabela de soluções.

Transparência. whispertranscribe.ai publica este guia. As afirmações técnicas remetem para Google Cloud, código Whisper da OpenAI, FFmpeg ou Biblioteca do Congresso. Não fizemos testes de precisão para este artigo e não prometemos que um formato acrescente uma determinada percentagem de precisão.

Resposta rápida: o melhor formato de áudio para transcrição

Escolha conforme a fase do trabalho, não por um único «vencedor».

Situação Melhor escolha Porquê
Está a configurar gravador ou aplicação WAV (16 bits) ou FLAC, mono, 16 kHz ou mais A Google recomenda FLAC sem perdas ou LINEAR16 para reconhecimento de fala
Precisa de ficheiros pequenos ao gravar Codec com perdas adequado à fala, com taxa de bits moderada Codecs com perdas preferidos pela Google para fala, por ordem: AMR-WB, Ogg Opus, Speex
Já tem MP3, M4A ou Opus Carregue o original Voltar a codificar não recupera nada
Tem vídeo (MP4, MOV, MKV) Carregue-o; extraia o áudio se for enorme Só é usada a faixa de áudio
Intervenientes gravados em faixas separadas Mantenha as faixas A Google aconselha enviar cada canal separadamente quando cada pessoa tem o seu

Quando não se preocupar com o formato: nota de voz no telemóvel, episódio de podcast publicado ou gravação Zoom ou Teams. Carregue, escolha o idioma falado correto e dedique o tempo a verificar nomes.

Formato, codec e contentor: o que a extensão esconde

A extensão identifica o contentor, nem sempre a compressão. O tutorial de otimização de áudio da Google explica: codecs e formatos de ficheiro não são a mesma coisa. Três exemplos:

  • WAV contém normalmente PCM linear não comprimido, mas o formato também pode guardar outras codificações (Biblioteca do Congresso, WAVE).
  • M4A pode conter AAC com perdas ou Apple Lossless (ALAC) sem perdas.
  • OGG é um contentor que contém normalmente Opus ou Vorbis, ambos com perdas.

Para ver o que realmente está dentro de um ficheiro, peça ao ffprobe do FFmpeg apenas as faixas de áudio:

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

Executámos o comando com FFmpeg 7.1.5 num pequeno vídeo de teste: apresentou uma linha por faixa de áudio. Numa cópia sem áudio, não apresentou nada, uma forma rápida de detetar um ficheiro sem faixa de áudio antes de carregar.

Comparação de formatos de áudio para transcrição

Todos os formatos abaixo podem ser transcritos. O que varia é o detalhe preservado e o tamanho do ficheiro. Os tamanhos resultam das fórmulas na secção seguinte (1 MB = 1.000.000 bytes).

Formato Com ou sem perdas Origem habitual Tamanho por minuto (exemplo) Efeito na transcrição O que fazer
WAV (PCM) Não comprimido Gravadores de campo, editores de áudio 1,92 MB a 16 kHz, 16 bits, mono; 10,58 MB a 44,1 kHz, 16 bits, estéreo Mantém tudo o que o microfone captou Melhor original; atenção ao tamanho em sessões longas
FLAC Sem perdas (comprimido) Arquivos, exportações de editores Menor do que o WAV equivalente; a poupança varia Mesmo áudio do WAV Use em vez de WAV para poupar espaço
AIFF / ALAC / CAF AIFF normalmente não comprimido; ALAC sem perdas; CAF pode conter ambos Aplicações Mac e iPhone AIFF: igual a WAV com as mesmas definições Depende do codec interno Carregue tal como está
MP3 Com perdas Podcasts, transferências 0,96 MB a 128 kbps Google: codecs com perdas podem reduzir a precisão Carregue tal como está
M4A / AAC Normalmente com perdas (AAC) Notas de voz, áudio de vídeo 0,48 MB a 64 kbps Mesma cautela do MP3 Carregue o original
OGG / Opus Com perdas Notas de voz de mensagens, chamadas Web 0,24 MB a 32 kbps Opus está na lista preferida da Google para fala com perdas Carregue tal como está
AMR (banda estreita) Com perdas, apenas fala Telemóveis e gravadores de chamadas antigos Cerca de 0,09 MB a 12,2 kbps Transporta apenas 200 a 3.400 Hz (Biblioteca do Congresso, AMR) Carregue tal como está; nunca aumente a frequência de amostragem

Os ficheiros de vídeo funcionam da mesma forma: a ferramenta lê a faixa de áudio, pelo que o único custo adicional é o tamanho do carregamento.

Qual é o tamanho de um ficheiro de áudio? As fórmulas

Duas fórmulas permitem estimar o tamanho antes de gravar ou carregar.

PCM não comprimido (WAV, AIFF):

bytes por segundo = frequência de amostragem × (profundidade de bits ÷ 8) × canais

Exemplos calculados:

  • 16 kHz, 16 bits, mono: 16.000 × 2 × 1 = 32.000 bytes por segundo. × 60 = 1.920.000 bytes, cerca de 1,92 MB por minuto, ou 115,2 MB por hora.
  • 44,1 kHz, 16 bits, estéreo: 44.100 × 2 × 2 = 176.400 bytes por segundo, cerca de 10,58 MB por minuto, ou 635 MB por hora.
  • 48 kHz, 24 bits, estéreo: 48.000 × 3 × 2 = 288.000 bytes por segundo, ou 1.036,8 MB por hora.

Com perdas e taxa de bits constante (MP3, AAC, Opus):

bytes por minuto = taxa de bits em kbps × 1.000 ÷ 8 × 60 (ou seja, kbps × 7.500)

  • 128 kbps: 128 × 7.500 = 960.000 bytes, cerca de 0,96 MB por minuto, ou 57,6 MB por hora.
  • 64 kbps: 0,48 MB por minuto; 32 kbps: 0,24 MB por minuto.

Os ficheiros reais são ligeiramente maiores devido aos cabeçalhos e os de taxa variável oscilam em torno da média. Computadores que mostram unidades binárias (MiB) apresentam números cerca de 5% menores.

O que significam os números para um limite de 5 GB e 10 horas

whispertranscribe.ai aceita ficheiros até 5 GB e 10 horas. Eis como se enquadram definições comuns, assumindo que 5 GB correspondem a 5.000.000.000 bytes:

Definição 1 hora 10 horas Cabem 10 horas abaixo de 5 GB?
WAV, 16 kHz, 16 bits, mono 115,2 MB 1,15 GB Sim
WAV, 44,1 kHz, 16 bits, estéreo 635 MB 6,35 GB Não: cabem cerca de 7,9 horas
WAV, 48 kHz, 24 bits, estéreo 1,04 GB 10,37 GB Não: cabem cerca de 4,8 horas
MP3, 128 kbps 57,6 MB 576 MB Sim
Opus, 32 kbps 14,4 MB 144 MB Sim

Um WAV clássico também tem o seu próprio limite: o campo de tamanho de 32 bits limita-o a cerca de 4 GB e gravações mais longas precisam da extensão RF64 (Biblioteca do Congresso). Para gravações sem perdas muito longas, FLAC ou WAV mono de 16 kHz evita ambos os problemas.

O que importa mais do que o formato de áudio

Uma voz nítida perto do microfone guardada em MP3 costuma superar um ficheiro sem perdas gravado do outro lado de uma sala ruidosa. Estas definições e hábitos determinam grande parte dos resultados.

Frequência de amostragem: 16 kHz chega?

Sim, para fala. A Google recomenda 16.000 Hz ou mais (boas práticas); o tutorial explica que frequências inferiores deixam pouca ou nenhuma informação acima de 8 kHz. O código aberto Whisper da OpenAI converte todas as entradas para mono a 16.000 Hz antes do processamento (whisper/audio.py). Gravar a 44,1 ou 48 kHz é aceitável, mas gera ficheiros maiores.

Aumentar a frequência depois não ajuda: a Google indica que um ficheiro de 8 kHz aumentado para 44,1 kHz continua a conter apenas cerca de 4 kHz de gama de frequências. Carregue áudio telefónico, normalmente de 8.000 Hz, à frequência original.

Profundidade de bits: 16 ou 24 bits?

A Google recomenda 16 bits ou mais e indica que converter áudio de 8 para 16 bits nada acrescenta, porque a gama dinâmica foi definida na gravação. Manter 24 bits do gravador não faz mal; converter 16 para 24 bits nada acrescenta.

Taxa de bits em ficheiros comprimidos

Nenhuma norma estabelece uma taxa que garanta boa transcrição. As orientações da Google abordam o tipo de codec: codecs com perdas podem reduzir a precisão, e o ruído ou eco prejudicam mais quando há compressão com perdas. Se tiver de comprimir, faça-o uma vez com uma definição moderada e evite cadeias como WAV para MP3 para OGG.

Distância do microfone, ruído e níveis

Das recomendações de pré-processamento da Google:

  • Coloque o microfone tão perto de quem fala quanto for razoável, sobretudo se houver ruído de fundo.
  • Evite cortar o sinal. Picos distorcidos não podem ser reparados depois.
  • Desative o controlo automático de ganho e a redução de ruído se a aplicação permitir. A Google indica que a redução de ruído antes do reconhecimento reduz geralmente a precisão.

Mono ou estéreo?

Para um microfone partilhado, mono é suficiente. O Whisper mistura estéreo em mono, pelo que a mesma voz nos dois lados apenas duplica o carregamento. Vale a pena manter estéreo quando cada lado contém uma pessoa diferente, como em muitos gravadores de chamadas ou com uma lapela por canal. A Google aconselha enviar cada canal separadamente nesse caso e uma gravação misturada tal como está.

Gravações multifaixa

Ferramentas de podcast e entrevistas remotas gravam muitas vezes cada pessoa numa faixa separada. Pode exportar uma faixa misturada e ativar rótulos de intervenientes (mais simples) ou transcrever cada faixa separadamente e juntar os textos pelos tempos (áudio mais limpo, mas tem de fazer a junção).

Formato e definições recomendados por situação

A situação mais comum é já ter um ficheiro, e a resposta costuma ser «carregue-o».

Situação Gravar como (se puder escolher) Se já tiver Antes de carregar Atenção a
Entrevista presencial WAV ou FLAC, mono por microfone, 44,1 ou 48 kHz M4A ou MP3 de telemóvel Anote nomes e termos Convidado mais baixo do que entrevistador
Entrevista remota ou podcast por faixa Faixa própria de cada pessoa, sem perdas WAV separados e MP3 misturado Escolha mistura ou faixas separadas Falas sobrepostas na mistura
Gravação de reunião (Zoom, Teams, Meet) Opção de áudio da plataforma, se existir MP4 ou M4A Extraia apenas áudio se o vídeo for enorme Um microfone de portátil para uma sala inteira
Nota de voz do telemóvel Predefinição da aplicação .m4a Exporte o original Telemóvel no bolso durante a gravação
Episódio de podcast publicado Não aplicável MP3 publicado Use WAV ou FLAC anterior à publicação se o tiver Introduções musicais; defina o idioma
Aula ou seminário Mono, 16 bits, microfone perto do orador MP3 longo ou vídeo Verifique a duração face a 10 horas Perguntas da audiência longe do microfone
Gravação de chamada Predefinição do gravador AMR, M4A ou WAV de 8 kHz Mantenha a frequência original Regras de consentimento; não aumente a frequência

Gravar chamadas suscita questões de consentimento; os nossos guias de como gravar uma chamada e leis de gravação por estado abordam-nas. Isto não constitui aconselhamento jurídico.

Como converter áudio para transcrição com FFmpeg

Converta apenas por um motivo: ficheiro demasiado grande, carregamento mais leve de vídeo, codec rejeitado ou intervenientes em ficheiros separados. Converter por «qualidade» não funciona.

Executámos cada comando com FFmpeg 7.1.5 num excerto de fala de domínio público de 11 segundos e num pequeno vídeo de teste criado a partir dele, verificando apenas a conclusão e se ffprobe mostrava o codec, frequência e canais esperados. As opções são explicadas na documentação do FFmpeg.

1. Qualquer ficheiro para WAV mono de 16 bits a 16 kHz (o formato para o qual o Whisper converte internamente):

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

2. Qualquer ficheiro para FLAC mono a 16 kHz (sem perdas e menor do que o WAV na maioria dos casos):

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

3. Vídeo para MP3 mono pequeno (acrescenta uma etapa com perdas; use quando o tamanho for o mais importante):

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

4. Extrair áudio de vídeo sem voltar a codificar (funciona quando o áudio é AAC, comum em MP4):

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

5. Dividir uma gravação de dois canais num ficheiro por interveniente (usa o filtro channelsplit):

ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
Opção O que faz
-ac 1 Mistura o áudio num canal
-ar 16000 Define a frequência de saída para 16.000 Hz
-c:a pcm_s16le Produz PCM não comprimido de 16 bits (WAV padrão)
-vn Remove a faixa de vídeo
-c:a copy Copia o áudio tal como está, sem alterar a qualidade
-b:a 64k Define a taxa de bits com perdas

Prefira o comando 4 ao 3 quando o áudio do vídeo já for AAC, pois preserva a qualidade original. Para áudio telefónico de 8 kHz, omita -ar 16000 para não aumentar a frequência.

Sem linha de comandos? O conversor de áudio e vídeo para MP3 de whispertranscribe.ai extrai a faixa de áudio de MP4, MOV, MKV, WEBM ou AVI no navegador. A página indica que usa WebAssembly e que os ficheiros são processados no navegador, sem carregamento para o servidor.

Ficheiros grandes: respeitar 5 GB e 10 horas

  • Grande demais, mas com menos de 10 horas: normalmente vídeo ou WAV de alta resolução. Extraia o áudio (comando 4 ou conversor no navegador) ou converta WAV para FLAC (comando 2).
  • Mais de 10 horas: a página de carregamento indica que neste momento só processa ficheiros até 10 horas e pede para encurtar. Divida-o. O comando de divisão sem recodificação do nosso guia de MP3 para texto também funciona em WAV; verificámo-lo num WAV de teste. Confira as junções ao reunir o texto.
  • Ligação lenta: uma hora de MP3 a 64 kbps tem cerca de 28,8 MB, face a 635 MB de WAV estéreo em formato de CD. Guarde o original sem perdas como arquivo.

Resolução de problemas de formato de áudio

Problema Causa provável O que experimentar
«No audio detected. The file may be corrupted. Please check the file and try again.» (não foi detetado áudio; o ficheiro pode estar danificado) Ficheiro danificado, vídeo exportado sem som ou faixa de áudio vazia Reproduza localmente; execute a verificação ffprobe acima (sem saída significa sem faixa de áudio); volte a exportar da aplicação original
Carregamento recusado por duração Ficheiro com mais de 10 horas Divida em partes até 10 horas
Ficheiro demasiado grande Vídeo ou WAV multicanal de alta resolução Extraia o áudio ou converta WAV para FLAC
WAV acima de 4 GB não abre ou não carrega Limite do WAV clássico Exporte novamente como RF64 ou FLAC, ou divida
Um interveniente ouve-se muito menos do que o outro Cada pessoa está num canal separado, gravado com níveis diferentes Divida os canais (comando 5) e transcreva cada ficheiro
Picos distorcidos ou com estalos Corte do sinal na gravação Não é possível reparar; reduza o ganho de entrada da próxima vez
Áudio telefónico continua mau após conversão para 48 kHz Aumentar a frequência não acrescenta informação Carregue o original; experimente uma opção de idioma «Noise / Low-Quality Audio/Video» quando disponível

Onde entra whispertranscribe.ai

whispertranscribe.ai é uma ferramenta de transcrição baseada nos modelos Whisper da OpenAI e usada num navegador (sem aplicação, API ou revisão humana). O conversor gratuito de áudio para texto e outras páginas de carregamento enumeram estes formatos: MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG e MPEG.

  • Limites: ficheiros até 5 GB e 10 horas.
  • Idiomas: mais de 130 idiomas, com opções «Noise / Low-Quality Audio/Video» para muitos deles.
  • Precisão: até 99% com áudio nítido. Ruído, distância, sotaques e falas sobrepostas reduzem-na.
  • Intervenientes: ative Speaker Detection antes de transcrever.
  • Exportação: DOCX, PDF, TXT, CSV, SRT e VTT.
  • Privacidade: a política de privacidade diz que os originais carregados são eliminados após o processamento e MP3 extraídos são guardados por predefinição durante 30 dias.

Para gravações específicas, veja as páginas para ficheiros MP3, notas de voz, chamadas telefónicas, entrevistas e aulas e seminários. Experimente um ficheiro na página gratuita sem conta (os limites são indicados aí). Planos pagos: a partir de 9,99 USD por mês, com faturação anual (preços). As restantes opções estão na página de funcionalidades.

Perguntas frequentes

Qual é o melhor formato de áudio para transcrição?

WAV ou FLAC é o melhor formato quando controla a gravação, idealmente em mono a 16 kHz ou mais e 16 bits de profundidade. Quando já tem um ficheiro comprimido, como MP3, M4A ou Opus, carregue-o tal como está em vez de o converter. A qualidade da gravação, ou seja, microfone próximo, pouco ruído e ausência de corte do sinal, costuma importar mais do que o formato escolhido.

WAV é melhor do que MP3 para transcrição?

Um WAV gravado a partir da fonte mantém mais detalhes do que um MP3 e a Google indica que codecs com perdas como MP3 podem reduzir a precisão do reconhecimento. A diferença é muitas vezes pequena em fala nítida e maior em gravações ruidosas. Um WAV criado a partir de um MP3 existente não é melhor do que esse MP3, pois os detalhes descartados já se perderam. Grave em WAV ou FLAC quando puder e carregue MP3 tal como está.

Que frequência de amostragem devo usar para transcrição?

Use 16 kHz ou mais. A Google recomenda pelo menos 16.000 Hz para reconhecimento de fala, e o Whisper da OpenAI converte todo o áudio para mono a 16 kHz antes de o processar. Gravar a 44,1 ou 48 kHz é comum e aceitável. Nunca aumente depois uma frequência inferior: uma gravação telefónica de 8 kHz deve ser carregada a 8 kHz, pois o aumento acrescenta tamanho mas não informação de fala.

Devo gravar em mono ou estéreo para transcrição?

Grave em mono quando todos partilham um microfone. O Whisper mistura estéreo em mono, pelo que uma cópia estéreo da mesma voz apenas duplica o tamanho. Mantenha estéreo ou multifaixa quando cada pessoa estiver num canal separado, como num gravador de chamadas ou com um microfone por convidado. A Google aconselha transcrever canais separados separadamente; pode dividi-los com FFmpeg.

Qual é o tamanho de um ficheiro WAV por minuto?

Depende das definições: multiplique a frequência de amostragem pelos bytes por amostra e pelos canais para obter bytes por segundo. Um WAV mono de 16 kHz e 16 bits tem 16.000 × 2 × 1 = 32.000 bytes por segundo, cerca de 1,92 MB por minuto ou 115,2 MB por hora. Estéreo de 44,1 kHz e 16 bits, como num CD, tem cerca de 10,58 MB por minuto ou 635 MB por hora.

Posso carregar vídeo em vez de extrair o áudio?

Sim. As ferramentas de transcrição leem a faixa de áudio e ignoram a imagem, pelo que MP4, MOV, MKV ou WEBM fornecem a mesma transcrição que o áudio extraído. O vídeo apenas aumenta o carregamento. Extraia o áudio quando o ficheiro estiver perto do limite de tamanho ou a ligação for lenta, por exemplo com -vn -c:a copy do FFmpeg, que preserva a qualidade original. Em whispertranscribe.ai pode carregar o vídeo tal como está e exportar DOCX, TXT, SRT ou VTT.


Tem uma gravação pronta? Carregue-a tal como está em whispertranscribe.ai no conversor gratuito de áudio para texto: escolha entre mais de 130 idiomas, ative Speaker Detection e descarregue DOCX, TXT, SRT ou VTT. Ficheiros até 5 GB e 10 horas.

Referências

Quer converter as suas gravações em texto?

Transcreva áudio e vídeo com whispertranscribe.ai.

Começar a transcrever ↗