Редакция whispertranscribe.ai · Обновлено: ноябрь 2026 г. · 12 минут чтения
Лучший формат для транскрибации, когда вы управляете записью, — аудио без потерь WAV (16-битный PCM) или FLAC в моно с частотой 16 kHz или выше. Если MP3, M4A или видео уже есть, загружайте оригинал. Преобразование сжатого файла не восстанавливает потерянные детали, а расстояние до микрофона и шум влияют на результат сильнее.
Ниже — выбор перед записью, действия с готовым файлом, формулы размера, настройки по сценариям, команды FFmpeg и таблица исправлений.
Раскрытие информации. Это руководство публикует whispertranscribe.ai. Технические утверждения ссылаются на Google Cloud, код Whisper от OpenAI, FFmpeg и Библиотеку Конгресса. Тестов точности для статьи не проводилось; мы не обещаем фиксированного прироста точности от формата.
Краткий ответ: лучший формат для транскрибации
Выбирайте по этапу работы, а не по одному «победителю».
| Ситуация | Лучший выбор | Почему |
|---|---|---|
| Настраиваете диктофон или приложение | WAV (16-bit) или FLAC, моно, 16 kHz или выше | Google рекомендует FLAC или LINEAR16 без потерь для распознавания речи |
| Нужны небольшие файлы при записи | Кодек с потерями для речи с умеренным битрейтом | Предпочтения Google по порядку: AMR-WB, Ogg Opus, Speex |
| Уже есть MP3, M4A или Opus | Загрузите оригинал | Повторное кодирование ничего не восстанавливает |
| Есть видео (MP4, MOV, MKV) | Загрузите его; если файл очень большой, извлеките звук | Используется только аудиодорожка |
| Говорящие записаны на отдельных дорожках | Сохраните дорожки | Google рекомендует отправлять каждый канал отдельно, если у каждого свой |
Когда не стоит беспокоиться о формате: голосовая заметка телефона, опубликованный подкаст или запись Zoom либо Teams. Загрузите файл, выберите язык речи и потратьте время на проверку имён.
Формат, кодек и контейнер: что скрывает расширение
Расширение обозначает контейнер, но не всегда сжатие. Руководство Google по оптимизации аудио подчёркивает: кодеки и форматы файлов — не одно и то же. Три примера:
- WAV обычно содержит несжатый линейный PCM, но может содержать и другие кодировки (Библиотека Конгресса, WAVE).
- M4A может содержать AAC с потерями или Apple Lossless (ALAC) без потерь.
- OGG — контейнер, обычно содержащий Opus или Vorbis с потерями.
Чтобы узнать содержимое файла, запросите у ffprobe только аудиопотоки:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
Команда выводит по строке на аудиопоток; отсутствие вывода помогает обнаружить файл без аудиодорожки до загрузки.
Сравнение аудиоформатов для транскрибации
Все форматы ниже можно расшифровать. Они отличаются сохранёнными деталями и размером. Размеры рассчитаны по формулам следующего раздела (1 MB = 1,000,000 байт).
| Формат | С потерями или без | Обычный источник | Размер в минуту (пример настроек) | Влияние на транскрибацию | Что делать |
|---|---|---|---|---|---|
| WAV (PCM) | Без сжатия | Полевые рекордеры, аудиоредакторы | 1.92 MB при 16 kHz, 16-bit, моно; 10.58 MB при 44.1 kHz, 16-bit, стерео | Сохраняет всё, что записал микрофон | Лучший оригинал; следите за размером длинных записей |
| FLAC | Без потерь со сжатием | Архивы, экспорт редакторов | Меньше того же WAV; экономия различается | То же аудио, что в WAV | Используйте вместо WAV для экономии места |
| AIFF / ALAC / CAF | AIFF обычно без сжатия; ALAC без потерь; CAF бывает обоих типов | Приложения Mac и iPhone | AIFF как WAV при тех же настройках | Зависит от кодека внутри | Загружайте как есть |
| MP3 | С потерями | Подкасты, скачанные файлы | 0.96 MB при 128 kbps | Google: кодеки с потерями могут снижать точность | Загружайте как есть |
| M4A / AAC | Обычно с потерями (AAC) | Голосовые заметки, звуковые дорожки видео | 0.48 MB при 64 kbps | Та же оговорка, что для MP3 | Загружайте оригинал |
| OGG / Opus | С потерями | Голосовые сообщения, веб-звонки | 0.24 MB при 32 kbps | Opus входит в предпочтительный список Google для речи с потерями | Загружайте как есть |
| AMR (узкополосный) | С потерями, только речь | Старые телефоны и рекордеры звонков | Около 0.09 MB при 12.2 kbps | Передаёт только 200–3,400 Гц (Библиотека Конгресса, AMR) | Загружайте как есть; не повышайте частоту |
Видеофайлы работают так же: инструмент читает аудиодорожку, а дополнительная цена — больший размер загрузки.
Как рассчитать размер аудиофайла
Две формулы позволяют оценить размер до записи или загрузки.
Несжатый PCM (WAV, AIFF):
байт в секунду = частота дискретизации × (битовая глубина ÷ 8) × каналы
Примеры:
- 16 kHz, 16-bit, моно: 16,000 × 2 × 1 = 32,000 байт в секунду. × 60 = 1,920,000 байт, около 1.92 MB в минуту или 115.2 MB в час.
- 44.1 kHz, 16-bit, стерео: 44,100 × 2 × 2 = 176,400 байт в секунду, около 10.58 MB в минуту или 635 MB в час.
- 48 kHz, 24-bit, стерео: 48,000 × 3 × 2 = 288,000 байт в секунду или 1,036.8 MB в час.
Сжатие с потерями при постоянном битрейте (MP3, AAC, Opus):
байт в минуту = битрейт в kbps × 1,000 ÷ 8 × 60 (то есть kbps × 7,500)
- 128 kbps: 128 × 7,500 = 960,000 байт, около 0.96 MB в минуту или 57.6 MB в час.
- 64 kbps: 0.48 MB в минуту; 32 kbps: 0.24 MB в минуту.
Реальные файлы немного больше из-за заголовков, а переменный битрейт колеблется вокруг среднего. Компьютеры, показывающие двоичные единицы MiB, отображают числа примерно на 5% ниже.
Что это значит при лимите загрузки 5 ГБ и 10 часов
whispertranscribe.ai принимает файлы до 5 ГБ и 10 часов. Вот расчёт распространённых настроек, если 5 ГБ = 5,000,000,000 байт:
| Настройка | 1 час | 10 часов | Поместятся 10 часов в 5 ГБ? |
|---|---|---|---|
| WAV, 16 kHz, 16-bit, моно | 115.2 MB | 1.15 GB | Да |
| WAV, 44.1 kHz, 16-bit, стерео | 635 MB | 6.35 GB | Нет: поместится около 7.9 часа |
| WAV, 48 kHz, 24-bit, стерео | 1.04 GB | 10.37 GB | Нет: поместится около 4.8 часа |
| MP3, 128 kbps | 57.6 MB | 576 MB | Да |
| Opus, 32 kbps | 14.4 MB | 144 MB | Да |
У классического WAV есть собственный предел: 32-битное поле размера ограничивает файл примерно 4 ГБ; для более длинных записей нужно расширение RF64 (Библиотека Конгресса). Для очень длинных записей без потерь FLAC или WAV 16 kHz моно помогает избежать обеих проблем.
Что важнее формата аудио
Чистый голос близко к микрофону в MP3 обычно лучше записи без потерь из дальнего конца шумной комнаты. Следующие настройки и привычки определяют большую часть результата.
Частота дискретизации: достаточно ли 16 kHz?
Для речи — да. Google рекомендует 16,000 Гц или выше (рекомендации); руководство объясняет, что при более низких частотах почти нет информации выше 8 kHz. Открытый код Whisper от OpenAI преобразует вход в моно 16,000 Гц до подачи модели (whisper/audio.py). Запись 44.1 или 48 kHz тоже подходит, но занимает больше места.
Повышение частоты позже не помогает: Google отмечает, что файл 8 kHz после повышения до 44.1 kHz всё равно содержит лишь около 4 kHz частотного диапазона. Телефонное аудио, обычно 8,000 Гц, загружайте с исходной частотой.
Битовая глубина: 16 или 24 бита?
Google рекомендует 16 бит или более и сообщает, что преобразование 8-битного аудио в 16 бит ничего не добавляет, поскольку динамический диапазон определён при записи. Сохранить исходные 24 бита безопасно; преобразование 16 в 24 бита ничего не добавит.
Битрейт сжатых файлов
Нет стандарта битрейта, гарантирующего точную транскрибацию. Google говорит о типе кодека: сжатие с потерями может снизить точность, а шум или эхо в сочетании с ним вредят сильнее. Если сжатие необходимо, выполните его один раз на умеренной настройке и избегайте цепочек вроде WAV → MP3 → OGG.
Расстояние до микрофона, шум и уровни
Рекомендации Google по предварительной обработке:
- Размещайте микрофон как можно ближе к говорящему, особенно при фоновом шуме.
- Избегайте клиппинга. Искажённые пики нельзя исправить позже.
- Отключайте автоматическую регулировку усиления и шумоподавление, если приложение позволяет. Google сообщает, что предварительное шумоподавление обычно снижает точность распознавания.
Моно или стерео?
Для одного общего микрофона достаточно моно. Whisper всё равно сводит стерео в моно, поэтому одинаковый голос в обоих каналах лишь удваивает размер. Стерео стоит сохранять, когда в каждом канале отдельный человек, как в некоторых рекордерах звонков или при двух петличных микрофонах. Google рекомендует отправлять такие каналы отдельно, а смешанную запись — как есть.
Многодорожечные записи
Инструменты подкастов и удалённых интервью часто записывают каждого человека отдельно. Можно экспортировать общий микс и включить метки говорящих (проще) либо расшифровать дорожки по отдельности и объединить текст по времени (чище звук, но объединение вручную).
Рекомендуемые форматы и настройки по сценариям
Чаще всего запись уже есть, и ответ обычно — «загрузите её».
| Сценарий | Как записать при наличии выбора | Если запись уже есть | До загрузки | На что обратить внимание |
|---|---|---|---|---|
| Очное интервью | WAV или FLAC, моно на микрофон, 44.1 или 48 kHz | M4A или MP3 с телефона | Запишите имена и термины | Гость тише интервьюера |
| Удалённое интервью или подкаст по дорожкам | Отдельная дорожка каждого без потерь | Отдельные WAV и смешанный MP3 | Выберите микс или отдельные дорожки | Перебивания в миксе |
| Встреча Zoom, Teams, Meet | Аудиовариант платформы, если есть | MP4 или M4A | Извлекайте звук только из очень большого видео | Один микрофон ноутбука на всю комнату |
| Голосовая заметка | Настройка приложения по умолчанию | .m4a | Экспортируйте оригинал | Телефон в кармане при записи |
| Опубликованный подкаст | Не применяется | Выпущенный MP3 | Используйте исходный WAV или FLAC, если есть | Музыкальное вступление; задайте язык |
| Лекция или семинар | Моно, 16-bit, микрофон рядом с лектором | Длинный MP3 или видео | Сравните длительность с 10 часами | Вопросы аудитории вдали от микрофона |
| Запись телефонного звонка | Настройка рекордера по умолчанию | AMR, M4A или WAV 8 kHz | Сохраните исходную частоту | Правила согласия; не повышайте частоту |
До записи звонков получите необходимые согласия; см. руководства по записи телефонного разговора и законам штатов о записи звонков. Это не юридическая консультация.
Как преобразовать аудио для транскрибации с FFmpeg
Преобразуйте файл только по причине: он слишком велик, нужно уменьшить загрузку из видео, инструмент не принимает кодек или необходимо разделить говорящих. Преобразование само по себе не улучшает качество.
Для подготовки перевода пять команд ниже проверены на синтетическом двухсекундном аудио и тестовом видео с FFmpeg 4.3 на macOS; ffprobe подтвердил кодек, частоту и число каналов. Точность распознавания не проверялась. Параметры описаны в документации FFmpeg.
1. Любой файл в моно WAV 16 kHz, 16-bit (формат, к которому Whisper приводит вход):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. Любой файл в моно FLAC 16 kHz (без потерь и обычно меньше WAV):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. Видео в небольшой моно MP3 (добавляет сжатие с потерями; используйте, когда важен размер):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. Извлечь аудио из видео без повторного кодирования (работает, если аудио — AAC, распространённый в MP4):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. Разделить двухканальную запись на файл каждого говорящего (использует фильтр channelsplit):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| Параметр | Что делает |
|---|---|
-ac 1 |
Сводит аудио в один канал |
-ar 16000 |
Задаёт выходную частоту 16,000 Гц |
-c:a pcm_s16le |
Записывает несжатый 16-битный PCM (стандартный WAV) |
-vn |
Удаляет видеопоток |
-c:a copy |
Копирует аудио без изменения качества |
-b:a 64k |
Задаёт битрейт сжатия с потерями |
Если аудио видео уже AAC, предпочитайте команду 4 команде 3: она сохраняет исходное качество. Для телефонного аудио 8 kHz опустите -ar 16000, чтобы не повышать частоту.
Без командной строки? Конвертер аудио и видео в MP3 whispertranscribe.ai извлекает аудиодорожку из MP4, MOV, MKV, WEBM или AVI в браузере. Страница сообщает об использовании WebAssembly и обработке файлов в браузере без загрузки.
Большие файлы: как уложиться в 5 ГБ и 10 часов
- Слишком большой файл, но менее 10 часов: обычно это видео или WAV высокого разрешения. Извлеките аудио (команда 4 или браузерный конвертер) либо преобразуйте WAV во FLAC (команда 2).
- Дольше 10 часов: страница загрузки сообщает, что сейчас обрабатываются только файлы до 10 часов и файл нужно сократить. Разделите его. Команда разделения без повторного кодирования из нашего руководства MP3 в текст также применима к WAV; это проверено на синтетическом WAV с FFmpeg 4.3 на macOS. Проверьте стыки при объединении текста.
- Медленное соединение: час MP3 64 kbps занимает около 28.8 MB против 635 MB стерео WAV качества CD. Сохраните оригинал без потерь в архиве.
Устранение проблем формата аудио
| Проблема | Вероятная причина | Что попробовать |
|---|---|---|
| «No audio detected. The file may be corrupted. Please check the file and try again.» (аудио не обнаружено, файл может быть повреждён) | Повреждённый файл, видео без звука или пустая дорожка | Воспроизведите локально; выполните проверку ffprobe выше (отсутствие вывода означает отсутствие аудиопотока); экспортируйте заново |
| Загрузка отклонена как слишком длинная | Более 10 часов | Разделите на части до 10 часов |
| Файл слишком велик | Видео или многоканальный WAV высокого разрешения | Извлеките аудио или преобразуйте WAV во FLAC |
| WAV более 4 ГБ не открывается или не загружается | Предел классического WAV | Экспортируйте RF64 или FLAC либо разделите |
| Один говорящий намного тише | Каждый записан в отдельный канал с разным уровнем | Разделите каналы (команда 5) и расшифруйте отдельно |
| Искажённые, трескучие пики | Клиппинг при записи | Восстановить нельзя; в следующий раз уменьшите усиление |
| Телефонное аудио остаётся плохим после преобразования в 48 kHz | Повышение частоты не добавляет информации | Загрузите оригинал; попробуйте Noise / Low-Quality Audio/Video при наличии |
Где подходит whispertranscribe.ai
whispertranscribe.ai — инструмент транскрибации на моделях Whisper от OpenAI, доступный в браузере (без приложения, API и человеческой корректуры). Бесплатный конвертер аудио в текст и другие страницы загрузки перечисляют MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG и MPEG.
- Лимиты: до 5 ГБ и 10 часов на файл.
- Языки: более 130, для многих есть Noise / Low-Quality Audio/Video.
- Точность: до 99% на чистом аудио. Шум, расстояние, акценты и перебивания снижают её.
- Говорящие: включите Speaker Detection до транскрибации.
- Экспорт: DOCX, PDF, TXT, CSV, SRT и VTT.
- Конфиденциальность: политика сообщает, что исходные загрузки удаляются после обработки, а извлечённые MP3 по умолчанию хранятся 30 дней.
Для конкретных записей см. MP3, голосовые заметки, телефонные звонки, интервью и лекции и семинары. Попробуйте файл на бесплатной странице без аккаунта, где указаны лимиты. Платные тарифы — от $9.99 в месяц при годовой оплате (тарифы). Остальное — на странице возможностей.
Частые вопросы
Какой аудиоформат лучше для транскрибации?
При управлении записью лучше WAV или FLAC, желательно моно 16 kHz или выше с глубиной 16 бит. Если уже есть сжатый MP3, M4A или Opus, загрузите его как есть. Качество записи — близкий микрофон, мало фонового шума и отсутствие клиппинга — обычно важнее выбора формата.
WAV лучше MP3 для транскрибации?
WAV, записанный из источника, сохраняет больше деталей, чем MP3; Google отмечает, что кодеки с потерями могут снижать точность. На чистой речи разница часто мала, на шумной может быть больше. WAV, созданный из существующего MP3, не лучше: отброшенные детали потеряны. При возможности записывайте WAV или FLAC, а готовый MP3 загружайте как есть.
Какую частоту дискретизации использовать?
Используйте 16 kHz или выше. Google рекомендует минимум 16,000 Гц для распознавания речи, а Whisper от OpenAI преобразует аудио в моно 16 kHz перед обработкой. Запись 44.1 или 48 kHz допустима и распространена. Не повышайте низкую частоту позже: телефонную запись 8 kHz загружайте с исходной частотой, поскольку повышение увеличивает размер, но не добавляет речевой информации.
Записывать в моно или стерео?
Записывайте в моно, если используется один микрофон. Whisper всё равно сводит стерео в моно, поэтому одинаковый голос в двух каналах лишь удваивает размер. Сохраняйте стерео или отдельные дорожки, если каждый говорящий записан в отдельном канале. Google советует обрабатывать такие каналы отдельно; их можно разделить FFmpeg.
Сколько занимает WAV за минуту?
Зависит от настроек: умножьте частоту дискретизации на байты на отсчёт и число каналов, чтобы получить байты в секунду. WAV 16 kHz, 16-bit, моно: 16,000 × 2 × 1 = 32,000 байт в секунду, около 1.92 MB в минуту или 115.2 MB в час. Стерео 44.1 kHz, 16-bit качества CD — около 10.58 MB в минуту или 635 MB в час.
Можно ли загрузить видео вместо извлечения аудио?
Да. Инструменты транскрибации читают аудиодорожку и игнорируют изображение, поэтому MP4, MOV, MKV или WEBM даёт тот же текст, что извлечённое аудио. Видео лишь увеличивает загрузку. Извлекайте звук, если файл близок к лимиту размера или соединение медленное, например с FFmpeg и -vn -c:a copy, сохраняющим исходное качество аудио. В whispertranscribe.ai можно загрузить видео как есть и экспортировать DOCX, TXT, SRT или VTT.
Запись готова? Загрузите её как есть в бесплатный конвертер аудио в текст whispertranscribe.ai: выберите один из более чем 130 языков, включите Speaker Detection и скачайте DOCX, TXT, SRT или VTT. Файлы до 5 ГБ и 10 часов.
Источники
- Google Cloud: Рекомендации Speech-to-Text по речевым данным
- Google Cloud: Оптимизация аудиофайлов для Speech-to-Text
- OpenAI: whisper/audio.py в репозитории Whisper
- FFmpeg: Документация командной строки и фильтр channelsplit
- Библиотека Конгресса: Формат WAVE (fdd000001)
- Библиотека Конгресса: AMR, адаптивный многоскоростной речевой кодек (fdd000254)
