Cel mai bun format audio pentru transcriere: înregistrare, încărcare și conversie

De echipa editorială whispertranscribe.ai · Actualizat: noiembrie 2026 · Timp de citire: 12 min

Cel mai bun format audio pentru transcriere este unul fără pierderi, WAV (PCM pe 16 biți) sau FLAC, înregistrat mono la 16 kHz sau mai mult, când controlezi înregistrarea. Dacă ai deja un MP3, M4A sau video, încarcă-l ca atare. Conversia unui fișier comprimat nu poate recupera detaliile pierdute, iar distanța față de microfon și zgomotul influențează mai mult rezultatul.

Mai jos: ce alegi înainte de înregistrare, ce faci cu un fișier primit, formule pentru dimensiune, setări pe situații, comenzi FFmpeg și un tabel de depanare.

Transparență. whispertranscribe.ai publică acest ghid. Afirmațiile tehnice trimit la Google Cloud, codul Whisper al OpenAI, FFmpeg sau Library of Congress. Nu am efectuat teste de precizie pentru articol și nu promitem că un format adaugă un anumit procent de precizie.

Răspuns rapid: cel mai bun format audio pentru transcriere

Alege în funcție de etapa de lucru, nu după un singur „câștigător”.

Situația Cea mai bună alegere De ce
Configurezi un recorder sau o aplicație WAV (16 biți) sau FLAC, mono, 16 kHz sau mai mult Google recomandă FLAC fără pierderi sau LINEAR16 pentru recunoașterea vorbirii
Ai nevoie de fișiere mici la înregistrare Un codec cu pierderi potrivit vorbirii, la bitrate moderat Codecurile cu pierderi preferate de Google pentru vorbire sunt, în ordine: AMR-WB, Ogg Opus, Speex
Ai deja MP3, M4A sau Opus Încarcă originalul Recodarea nu recuperează nimic
Ai un video (MP4, MOV, MKV) Încarcă-l; extrage audio dacă este foarte mare Se folosește doar pista audio
Vorbitorii au fost înregistrați pe piste separate Păstrează pistele Google recomandă trimiterea separată a canalelor când fiecare persoană are propriul canal

Când nu trebuie să-ți faci griji pentru format: o notiță vocală de pe telefon, un episod de podcast publicat sau o înregistrare Zoom ori Teams. Încarc-o, alege limba vorbită și verifică numele.

Format, codec și container: ce ascunde extensia

Extensia indică recipientul, nu întotdeauna compresia. Tutorialul Google pentru optimizarea audio explică faptul că formatele și codecurile nu sunt același lucru. Trei exemple:

  • WAV conține de obicei PCM liniar necomprimat, dar poate conține și alte codificări (Library of Congress, WAVE).
  • M4A poate conține AAC cu pierderi sau Apple Lossless (ALAC) fără pierderi.
  • OGG este un container care conține de obicei Opus sau Vorbis, ambele cu pierderi.

Pentru a vedea ce conține fișierul, cere instrumentului ffprobe din FFmpeg doar fluxurile audio:

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

Comanda afișează câte un rând pentru fiecare flux audio; lipsa rezultatelor poate indica absența unei piste audio. Nu susținem că am rulat acest test aici.

Compararea formatelor audio pentru transcriere

Toate formatele de mai jos pot fi transcrise. Diferă detaliile păstrate și dimensiunea. Valorile provin din formulele din secțiunea următoare (1 MB = 1.000.000 de octeți).

Format Cu sau fără pierderi Sursă obișnuită Dimensiune pe minut (exemplu) Efect asupra transcrierii Ce faci
WAV (PCM) Necomprimat Recordere de teren, editori audio 1.92 MB la 16 kHz, 16 biți, mono; 10.58 MB la 44.1 kHz, 16 biți, stereo Păstrează tot ce a captat microfonul Original ideal; urmărește dimensiunea sesiunilor lungi
FLAC Fără pierderi (comprimat) Arhive, exporturi din editor Mai mic decât același WAV; economia variază Același sunet ca în WAV Folosește-l în loc de WAV pentru a economisi spațiu
AIFF / ALAC / CAF AIFF de obicei necomprimat; ALAC fără pierderi; CAF poate conține ambele Aplicații Mac și iPhone AIFF: ca WAV la aceleași setări Depinde de codecul intern Încarcă-l ca atare
MP3 Cu pierderi Podcasturi, descărcări 0.96 MB la 128 kbps Google: codecurile cu pierderi pot reduce precizia Încarcă-l ca atare
M4A / AAC De obicei cu pierderi (AAC) Notițe vocale, piste audio video 0.48 MB la 64 kbps Aceeași precauție ca la MP3 Încarcă originalul
OGG / Opus Cu pierderi Mesaje vocale, apeluri web 0.24 MB la 32 kbps Opus este pe lista Google de codecuri preferate pentru vorbire Încarcă-l ca atare
AMR (bandă îngustă) Cu pierderi, doar vorbire Telefoane și recordere de apel mai vechi Aproximativ 0.09 MB la 12.2 kbps Acoperă doar 200–3.400 Hz (Library of Congress, AMR) Încarcă-l ca atare; nu mări rata de eșantionare

Fișierele video funcționează la fel: instrumentul citește pista audio, deci singurul cost este dimensiunea suplimentară la încărcare.

Cât spațiu ocupă un fișier audio? Formule

Două formule estimează dimensiunea înainte de înregistrare sau încărcare.

PCM necomprimat (WAV, AIFF):

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

Exemple:

  • 16 kHz, 16 biți, mono: 16.000 × 2 × 1 = 32.000 octeți pe secundă. × 60 = 1.920.000 octeți, aproximativ 1.92 MB pe minut, sau 115.2 MB pe oră.
  • 44.1 kHz, 16 biți, stereo: 44.100 × 2 × 2 = 176.400 octeți pe secundă, aproximativ 10.58 MB pe minut, sau 635 MB pe oră.
  • 48 kHz, 24 biți, stereo: 48.000 × 3 × 2 = 288.000 octeți pe secundă, sau 1.036,8 MB pe oră.

Cu pierderi la bitrate constant (MP3, AAC, Opus):

bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (adică kbps × 7.500)

  • 128 kbps: 128 × 7.500 = 960.000 octeți, aproximativ 0.96 MB pe minut, sau 57.6 MB pe oră.
  • 64 kbps: 0.48 MB pe minut; 32 kbps: 0.24 MB pe minut.

Fișierele reale sunt puțin mai mari din cauza antetelor, iar cele cu bitrate variabil fluctuează în jurul mediei. Calculatoarele care afișează unități binare (MiB) arată valori cu aproximativ 5% mai mici.

Ce înseamnă pentru limita de încărcare de 5 GB și 10 ore

whispertranscribe.ai acceptă fișiere de până la 5 GB și 10 ore. Iată cum se încadrează setările uzuale, presupunând că 5 GB înseamnă 5.000.000.000 de octeți:

Setare 1 oră 10 ore Încap 10 ore sub 5 GB?
WAV, 16 kHz, 16 biți, mono 115.2 MB 1.15 GB Da
WAV, 44.1 kHz, 16 biți, stereo 635 MB 6.35 GB Nu: încap aproximativ 7.9 ore
WAV, 48 kHz, 24 biți, stereo 1.04 GB 10.37 GB Nu: încap aproximativ 4.8 ore
MP3, 128 kbps 57.6 MB 576 MB Da
Opus, 32 kbps 14.4 MB 144 MB Da

Un WAV clasic are și propria limită: câmpul de dimensiune pe 32 biți îl limitează la aproximativ 4 GB, iar înregistrările mai lungi necesită extensia RF64 (Library of Congress). Pentru înregistrări foarte lungi fără pierderi, FLAC sau WAV mono la 16 kHz evită ambele probleme.

Ce contează mai mult decât formatul audio

O voce clară lângă microfon, salvată ca MP3, este de obicei mai bună decât un fișier fără pierderi înregistrat de la distanță într-o cameră zgomotoasă. Următoarele setări și obiceiuri determină majoritatea rezultatelor.

Rata de eșantionare: sunt suficienți 16 kHz?

Da, pentru vorbire. Google recomandă 16.000 Hz sau mai mult (bune practici); tutorialul explică faptul că ratele mai mici păstrează puține informații sau deloc peste 8 kHz. Codul deschis Whisper al OpenAI convertește fiecare intrare la 16.000 Hz mono înainte de procesare (whisper/audio.py). Înregistrarea la 44.1 sau 48 kHz este în regulă, dar produce fișiere mai mari.

Creșterea ulterioară a ratei nu ajută: Google observă că un fișier de 8 kHz convertit la 44.1 kHz păstrează doar aproximativ 4 kHz de frecvențe. Încarcă sunetul telefonic, de obicei la 8.000 Hz, la rata originală.

Adâncimea de biți: 16 sau 24?

Google recomandă cel puțin 16 biți și precizează că transformarea audio de 8 biți în 16 biți nu adaugă nimic, deoarece intervalul dinamic a fost stabilit la înregistrare. Păstrarea originalului pe 24 de biți nu dăunează; conversia de la 16 la 24 nu adaugă informații.

Bitrate pentru fișiere comprimate

Niciun standard nu stabilește un bitrate care garantează o transcriere bună. Recomandările Google se referă la tipul codecului: compresia cu pierderi poate reduce precizia, iar zgomotul sau ecoul afectează mai mult rezultatul când există compresie cu pierderi. Dacă trebuie să comprimi, fă-o o singură dată la o setare moderată și evită lanțuri precum WAV → MP3 → OGG.

Distanța microfonului, zgomotul și nivelurile

Din recomandările Google pentru preprocesare:

  • Așază microfonul cât mai aproape posibil de vorbitor, mai ales când există zgomot de fundal.
  • Evită clippingul. Vârfurile distorsionate nu pot fi reparate ulterior.
  • Dezactivează controlul automat al amplificării și reducerea zgomotului dacă aplicația permite. Google spune că reducerea zgomotului înainte de recunoaștere scade de obicei precizia.

Mono sau stereo?

Pentru un microfon comun, mono este suficient. Whisper combină oricum stereo în mono, astfel că aceeași voce pe ambele canale doar dublează dimensiunea. Păstrează stereo când fiecare canal conține o persoană diferită, ca la multe recordere de apel sau câte o lavalieră pe canal. Google recomandă trimiterea separată a canalelor în acest caz și păstrarea ca atare a unei înregistrări deja mixate.

Înregistrări cu mai multe piste

Instrumentele de podcast și interviu la distanță înregistrează adesea fiecare persoană separat. Exportă o pistă mixată și activează etichetele de vorbitor (mai simplu) sau transcrie fiecare pistă separat și combină textele după marcajele de timp (sunet mai curat, dar trebuie să faci combinarea).

Formate și setări recomandate după situație

Situația în care ai deja un fișier este mai frecventă, iar răspunsul este de obicei „încarcă-l”.

Situație Înregistrează astfel (dacă poți alege) Dacă ai deja Înainte de încărcare Atenție la
Interviu față în față WAV sau FLAC, mono pentru fiecare microfon, 44.1 sau 48 kHz M4A sau MP3 de pe telefon Notează numele și termenii Invitatul poate fi mai încet decât intervievatorul
Interviu la distanță sau podcast, pe piste separate Pista fiecărui vorbitor, fără pierderi WAV-uri separate și un MP3 mixat Alege mixul sau pistele separate Vorbirea suprapusă în mix
Ședință înregistrată (Zoom, Teams, Meet) Opțiunea audio a platformei, dacă există MP4 sau M4A Extrage sunetul doar dacă videoul este foarte mare Un singur microfon de laptop pentru toată sala
Notiță vocală pe telefon Setarea implicită a aplicației .m4a Exportă originalul Telefonul în buzunar în timpul înregistrării
Episod de podcast publicat Nu se aplică MP3-ul publicat Folosește WAV-ul sau FLAC-ul original dacă îl ai Introduceri muzicale; setează limba
Curs sau seminar Mono, 16 biți, microfon lângă lector MP3 lung sau video Verifică durata față de limita de 10 ore Întrebări din public departe de microfon
Înregistrarea unui apel Setarea implicită a recorderului AMR, M4A sau WAV la 8 kHz Păstrează rata originală Regulile de consimțământ; nu crește rata

Obține consimțământul necesar și permisiunea organizatorului înainte de înregistrare și respectă orice interdicție. Ghidurile despre înregistrarea unui apel și legile statelor privind înregistrarea apelurilor explică aspecte ale consimțământului. Aceste informații nu sunt consultanță juridică.

Cum convertești audio pentru transcriere cu FFmpeg

Convertește numai cu un motiv: fișierul este prea mare, vrei o încărcare mai mică dintr-un video, un instrument respinge codecul sau vrei vorbitorii în fișiere separate. Conversia nu recuperează calitatea pierdută.

Comenzile următoare sunt exemple; nu susținem că au fost testate aici. Poți verifica formatul, rata și canalele cu ffprobe. Opțiunile sunt explicate în documentația FFmpeg.

1. Orice fișier în WAV mono la 16 kHz și 16 biți (forma la care convertește intern Whisper):

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

2. Orice fișier în FLAC mono la 16 kHz (fără pierderi și de obicei mai mic decât WAV):

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

3. Video într-un MP3 mono mic (adaugă o etapă cu pierderi; folosește când dimensiunea contează cel mai mult):

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

4. Extrage sunetul din video fără recodare (funcționează când audio este AAC, frecvent în MP4):

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

5. Separă o înregistrare cu două canale în câte un fișier pentru fiecare vorbitor (folosește filtrul channelsplit):

ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
Opțiune Ce face
-ac 1 Mixează sunetul într-un singur canal
-ar 16000 Setează rata de ieșire la 16.000 Hz
-c:a pcm_s16le Scrie PCM necomprimat pe 16 biți (WAV standard)
-vn Elimină fluxul video
-c:a copy Copiază sunetul ca atare, fără schimbarea calității
-b:a 64k Setează bitrate-ul cu pierderi

Preferă comanda 4 comenzii 3 dacă sunetul video este deja AAC, deoarece păstrează calitatea originală. Pentru sunet telefonic la 8 kHz, omite -ar 16000 ca să nu crești inutil rata.

Nu folosești linia de comandă? Convertorul audio și video în MP3 al whispertranscribe.ai extrage pista audio din MP4, MOV, MKV, WEBM sau AVI în browser. Pagina spune că folosește WebAssembly și că fișierele sunt procesate în browser, fără încărcare.

Fișiere mari: încadrarea sub 5 GB și 10 ore

  • Prea mare, dar sub 10 ore: de obicei este un video sau WAV de înaltă rezoluție. Extrage sunetul (comanda 4 sau convertorul din browser) ori convertește WAV în FLAC (comanda 2).
  • Mai lung de 10 ore: pagina de încărcare afișează mesajul „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.” Împarte fișierul. Comanda de împărțire fără recodare din ghidul MP3 în text funcționează și pentru WAV. Verifică îmbinările când unești textul.
  • Conexiune lentă: o oră de MP3 la 64 kbps are aproximativ 28.8 MB, față de 635 MB pentru WAV stereo de tip CD. Păstrează originalul fără pierderi în arhivă.

Depanarea problemelor de format audio

Problemă Cauză probabilă Ce poți încerca
„No audio detected. The file may be corrupted. Please check the file and try again.” (mesajul paginilor de încărcare) Fișier deteriorat, video exportat fără sunet sau pistă audio goală Redă-l local; rulează verificarea ffprobe de mai sus (lipsa rezultatului indică lipsa fluxului audio); reexportă din aplicația originală
Încărcarea este respinsă ca prea lungă Fișier de peste 10 ore Împarte-l în părți de cel mult 10 ore
Fișier prea mare Video sau WAV multicanal de înaltă rezoluție Extrage sunetul sau convertește WAV în FLAC
Un WAV de peste 4 GB nu se deschide sau nu se încarcă Limita WAV clasic Reexportă ca RF64 sau FLAC ori împarte-l
Un vorbitor este mult mai încet decât altul Fiecare persoană are un canal separat, înregistrat la alt nivel Separă canalele (comanda 5) și transcrie fiecare fișier
Vârfuri distorsionate, cu pocnituri Clipping în timpul înregistrării Nu poate fi reparat; redu amplificarea la următoarea înregistrare
Sunetul telefonic rămâne slab după conversia la 48 kHz Creșterea ratei nu adaugă informații Încarcă originalul; încearcă opțiunea de limbă „Noise / Low-Quality Audio/Video”, dacă este disponibilă

Unde se potrivește whispertranscribe.ai

whispertranscribe.ai este un instrument de transcriere bazat pe modelele Whisper ale OpenAI, care funcționează în browser (fără aplicație, API sau corectură umană). Convertorul gratuit audio în text și celelalte pagini de încărcare enumeră: MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG și MPEG.

  • Limite: fișiere de până la 5 GB și 10 ore.
  • Limbi: peste 130, cu opțiuni „Noise / Low-Quality Audio/Video” pentru multe dintre ele.
  • Precizie: până la 99% pentru audio clar. Zgomotul, distanța, accentele și vorbirea suprapusă o reduc.
  • Vorbitori: activează Speaker Detection înainte de transcriere.
  • Exporturi: DOCX, PDF, TXT, CSV, SRT și VTT.
  • Confidențialitate: politica de confidențialitate spune că fișierele originale încărcate sunt șterse după procesare, iar fișierele MP3 extrase sunt păstrate implicit 30 de zile.

Pentru înregistrări specifice, vezi paginile pentru fișiere MP3, notițe vocale, apeluri telefonice, interviuri și cursuri și seminare. Încearcă un fișier pe pagina gratuită fără cont (limitele sunt afișate acolo). Planuri plătite: de la 9,99 USD/lună cu facturare anuală (prețuri). Restul este pe pagina de funcții.

Întrebări frecvente

Care este cel mai bun format audio pentru transcriere?

WAV sau FLAC este cea mai bună alegere când controlezi înregistrarea, ideal mono la 16 kHz sau mai mult și 16 biți. Dacă ai deja un fișier comprimat precum MP3, M4A sau Opus, încarcă-l ca atare. Calitatea înregistrării — microfon apropiat, puțin zgomot și fără clipping — contează de obicei mai mult decât formatul ales.

Este WAV mai bun decât MP3 pentru transcriere?

Un WAV înregistrat de la sursă păstrează mai multe detalii decât un MP3, iar Google observă că MP3 și alte codecuri cu pierderi pot reduce precizia recunoașterii. Diferența este adesea mică pentru vorbire clară și mai mare în zgomot. Un WAV creat dintr-un MP3 existent nu este mai bun decât MP3-ul, deoarece detaliile eliminate s-au pierdut. Înregistrează WAV sau FLAC când poți și încarcă MP3-urile ca atare.

Ce rată de eșantionare să folosesc?

Folosește 16 kHz sau mai mult. Google recomandă cel puțin 16.000 Hz pentru recunoașterea vorbirii, iar Whisper de la OpenAI convertește toate fișierele la 16 kHz mono înainte de procesare. Înregistrarea la 44.1 sau 48 kHz este bună și obișnuită. Nu crește ulterior o rată mai mică: încarcă o înregistrare telefonică de 8 kHz la 8 kHz, deoarece creșterea ratei mărește fișierul fără informații noi.

Să înregistrez mono sau stereo pentru transcriere?

Înregistrează mono când toți împart un microfon. Whisper combină oricum stereo în mono, așa că o copie stereo a aceleiași voci doar dublează dimensiunea. Păstrează stereo sau piste multiple când fiecare vorbitor este pe un canal separat, precum într-un recorder de apel sau cu câte un microfon pe invitat. Google recomandă transcrierea separată a canalelor, care pot fi despărțite cu FFmpeg.

Cât ocupă un fișier WAV pe minut?

Depinde de setări: înmulțește rata de eșantionare cu octeții per eșantion și numărul de canale pentru a obține octeții pe secundă. Un WAV mono la 16 kHz și 16 biți are 16.000 × 2 × 1 = 32.000 octeți pe secundă, aproximativ 1.92 MB pe minut sau 115.2 MB pe oră. Stereo de tip CD la 44.1 kHz și 16 biți ocupă aproximativ 10.58 MB pe minut sau 635 MB pe oră.

Pot încărca un fișier video în loc să extrag sunetul?

Da. Instrumentele de transcriere citesc pista audio și ignoră imaginea, astfel că MP4, MOV, MKV sau WEBM produce aceeași transcriere ca sunetul extras. Videoul doar mărește încărcarea. Extrage audio când fișierul se apropie de limită sau conexiunea este lentă, de exemplu cu -vn -c:a copy în FFmpeg, care păstrează calitatea originală. În whispertranscribe.ai poți încărca videoul ca atare și exporta DOCX, TXT, SRT sau VTT.


Ai o înregistrare pregătită? Încarc-o ca atare în convertorul gratuit audio în text whispertranscribe.ai: alege dintre peste 130 de limbi, activează Speaker Detection și descarcă DOCX, TXT, SRT sau VTT. Fișiere de până la 5 GB și 10 ore.

Referințe

Vrei să îți transformi înregistrările în text?

Transcrie fișiere audio și video cu whispertranscribe.ai.

Începe transcrierea ↗