Uredništvo whispertranscribe.ai · Nazadnje posodobljeno: november 2026 · 12 minut branja
Najboljši zvočni format za prepis je brezizgubni WAV (16-bitni PCM) ali FLAC, posnet mono pri 16 kHz ali več, kadar nadzorujete snemanje. Če že imate MP3, M4A ali video, naložite izvirnik. Pretvorba stisnjene datoteke ne vrne izgubljenih podrobnosti, na rezultat pa bolj vplivata oddaljenost mikrofona in hrup.
Spodaj: izbira pred snemanjem, ravnanje s prejeto datoteko, formule za velikost, nastavitve po primerih, ukazi FFmpeg in tabela za odpravljanje težav.
Razkritje. Ta vodnik izdaja whispertranscribe.ai. Tehnične trditve so povezane z Google Cloud, kodo Whisper podjetja OpenAI, FFmpeg ali Library of Congress. Za članek nismo izvedli preizkusov natančnosti in ne obljubljamo, da posamezen format natančnost poveča za določen odstotek.
Hiter odgovor: najboljši zvočni format za prepis
Izberite glede na fazo dela, ne na enega samega »zmagovalca«.
| Vaš položaj | Najboljša izbira | Zakaj |
|---|---|---|
| Nastavljate snemalnik ali aplikacijo | WAV (16-bit) ali FLAC, mono, 16 kHz ali več | Google za prepoznavanje govora priporoča brezizgubni FLAC ali LINEAR16 |
| Med snemanjem potrebujete majhne datoteke | Izgubni kodek, primeren za govor, z zmerno bitno hitrostjo | Googlovi prednostni izgubni kodeki za govor po vrsti: AMR-WB, Ogg Opus, Speex |
| Že imate MP3, M4A ali Opus | Naložite izvirnik | Ponovno kodiranje ne povrne ničesar |
| Imate video (MP4, MOV, MKV) | Naložite ga; če je zelo velik, izluščite zvok | Uporabi se le zvočna sled |
| Govorci so posneti na ločenih sledeh | Ohranite sledi | Google svetuje pošiljanje vsakega kanala posebej, kadar ima vsaka oseba svojega |
Kdaj se s formatom sploh ne obremenjevati: glasovna beležka s telefona, objavljena epizoda podkasta ali posnetek Zooma oziroma Teamsa. Naložite ga, izberite pravi govorjeni jezik in čas raje porabite za preverjanje imen.
Format, kodek in vsebnik: kaj skriva končnica datoteke
Končnica označuje vsebnik, ne vedno stiskanja. Googlov vodnik za optimizacijo zvoka jasno pove, da kodeki in formati datotek niso enaki. Tri pogosta presenečenja:
- WAV običajno vsebuje nestisnjeni linearni PCM, lahko pa vsebuje tudi druga kodiranja (Library of Congress, WAVE).
- M4A lahko vsebuje izgubni AAC ali brezizgubni Apple Lossless (ALAC).
- OGG je vsebnik, ki običajno vsebuje Opus ali Vorbis, oba izgubna.
Če želite ugotoviti, kaj je v datoteki, orodje ffprobe iz FFmpeg vprašajte samo po zvočnih tokovih:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
Ukaz izpiše po eno vrstico za vsako zvočno sled. Če ne izpiše ničesar, datoteka morda nima zvočne sledi; to je hiter pregled pred nalaganjem.
Primerjava zvočnih formatov za prepis
Vse spodnje formate je mogoče prepisati. Razlikujejo se po ohranjenih podrobnostih in velikosti datoteke. Velikosti izhajajo iz formul v naslednjem razdelku (1 MB = 1,000,000 bajtov).
| Format | Izgubni ali brezizgubni | Običajni vir | Velikost na minuto (primer nastavitve) | Vpliv na prepis | Kaj storiti |
|---|---|---|---|---|---|
| WAV (PCM) | Nestisnjen | Terenski snemalniki, urejevalniki zvoka | 1.92 MB pri 16 kHz, 16-bit, mono; 10.58 MB pri 44.1 kHz, 16-bit, stereo | Ohrani vse, kar je zajel mikrofon | Najboljši izvirnik; pri dolgih sejah pazite na velikost |
| FLAC | Brezizguben (stisnjen) | Arhivi, izvozi urejevalnikov | Manjši od enakega WAV; prihranek se razlikuje | Enak zvok kot WAV | Za prihranek prostora uporabite namesto WAV |
| AIFF / ALAC / CAF | AIFF običajno nestisnjen; ALAC brezizguben; CAF lahko vsebuje oba | Aplikacije Mac in iPhone | AIFF: enako kot WAV pri enakih nastavitvah | Odvisno od notranjega kodeka | Naložite brez sprememb |
| MP3 | Izguben | Podkasti, prenosi | 0.96 MB pri 128 kbps | Google: izgubni kodeki lahko zmanjšajo natančnost | Naložite brez sprememb |
| M4A / AAC | Običajno izguben (AAC) | Glasovne beležke, zvok videa | 0.48 MB pri 64 kbps | Enako opozorilo kot pri MP3 | Naložite izvirnik |
| OGG / Opus | Izguben | Glasovna sporočila, spletni klici | 0.24 MB pri 32 kbps | Opus je na Googlovem seznamu prednostnih izgubnih kodekov za govor | Naložite brez sprememb |
| AMR (ozkopasovni) | Izguben, samo govor | Starejši telefoni in snemalniki klicev | Približno 0.09 MB pri 12.2 kbps | Prenese le 200 do 3,400 Hz (Library of Congress, AMR) | Naložite brez sprememb; ne zvišujte vzorčne frekvence |
Pri videu velja enako: orodje bere zvočno sled, zato je dodatni strošek le večja velikost nalaganja.
Kako velika je zvočna datoteka? Formuli
Dve formuli omogočata oceno velikosti pred snemanjem ali nalaganjem.
Nestisnjeni PCM (WAV, AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels
Primeri izračuna:
- 16 kHz, 16-bit, mono: 16,000 × 2 × 1 = 32,000 bajtov na sekundo. × 60 = 1,920,000 bajtov, približno 1.92 MB na minuto ali 115.2 MB na uro.
- 44.1 kHz, 16-bit, stereo: 44,100 × 2 × 2 = 176,400 bajtov na sekundo, približno 10.58 MB na minuto ali 635 MB na uro.
- 48 kHz, 24-bit, stereo: 48,000 × 3 × 2 = 288,000 bajtov na sekundo ali 1,036.8 MB na uro.
Izgubni format pri stalni bitni hitrosti (MP3, AAC, Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (torej kbps × 7,500)
- 128 kbps: 128 × 7,500 = 960,000 bajtov, približno 0.96 MB na minuto ali 57.6 MB na uro.
- 64 kbps: 0.48 MB na minuto; 32 kbps: 0.24 MB na minuto.
Dejanske datoteke so zaradi glav nekoliko večje, pri spremenljivi bitni hitrosti pa velikost niha okoli povprečja. Računalniki, ki prikazujejo binarne enote (MiB), prikažejo približno 5% manjše številke.
Kaj pomenijo številke pri omejitvi nalaganja 5GB in 10 ur
whispertranscribe.ai sprejema datoteke do 5GB in 10 ur. Ob predpostavki, da 5GB pomeni 5,000,000,000 bajtov, so pogoste nastavitve videti takole:
| Nastavitev | 1 ura | 10 ur | Se 10 ur prilega v 5GB? |
|---|---|---|---|
| WAV, 16 kHz, 16-bit, mono | 115.2 MB | 1.15 GB | Da |
| WAV, 44.1 kHz, 16-bit, stereo | 635 MB | 6.35 GB | Ne: prilega se približno 7.9 ure |
| WAV, 48 kHz, 24-bit, stereo | 1.04 GB | 10.37 GB | Ne: prilega se približno 4.8 ure |
| MP3, 128 kbps | 57.6 MB | 576 MB | Da |
| Opus, 32 kbps | 14.4 MB | 144 MB | Da |
Tudi klasična datoteka WAV ima zgornjo mejo: 32-bitno polje velikosti jo omejuje na približno 4 GB, za daljše posnetke pa je potrebna razširitev RF64 (Library of Congress). Pri zelo dolgih brezizgubnih posnetkih se obema težavama izognete s FLAC ali 16 kHz mono WAV.
Kaj je pomembnejše od zvočnega formata
Jasen glas blizu mikrofona, shranjen kot MP3, običajno prekaša brezizgubno datoteko, posneto čez hrupno sobo. O večini rezultatov odločajo te nastavitve in navade.
Vzorčna frekvenca: je 16 kHz dovolj?
Da, za govor. Google priporoča 16,000 Hz ali več (najboljše prakse); vodnik pojasnjuje, da pri nižjih frekvencah nad 8 kHz ostane malo ali nič informacij. Odprtokodna koda Whisper podjetja OpenAI vsak vhod pred modelom pretvori v 16,000 Hz mono (whisper/audio.py). Snemanje pri 44.1 ali 48 kHz je v redu, le datoteka je večja.
Naknadno zvišanje frekvence ne pomaga: Google opozarja, da datoteka 8 kHz, prevzorčena na 44.1 kHz, še vedno vsebuje le približno 4 kHz frekvenčnega območja. Telefonski zvok, pogosto 8,000 Hz, naložite pri izvirni frekvenci.
Bitna globina: 16-bit ali 24-bit?
Google priporoča 16 bitov ali več in pravi, da pretvorba 8-bitnega zvoka v 16-bitnega ničesar ne pridobi, ker je bil dinamični razpon določen pri snemanju. Ohranjanje 24-bitnega posnetka s snemalnika ne škodi; pretvorba 16 v 24 bitov ne doda ničesar.
Bitna hitrost stisnjenih datotek
Noben standard ne določa bitne hitrosti, ki zagotavlja dober prepis. Googlova navodila se nanašajo na vrsto kodeka: izgubni kodeki lahko zmanjšajo natančnost, hrup ali odmev pa pri izgubnem stiskanju bolj škodita. Če morate stiskati, storite to enkrat pri zmerni nastavitvi in se izognite verigam, kot je WAV v MP3 v OGG.
Oddaljenost mikrofona, hrup in ravni
Po Googlovih nasvetih za predobdelavo:
- Mikrofon postavite čim bližje govorcu, zlasti ob hrupu v ozadju.
- Izogibajte se prekrmiljenju. Popačenih vrhov pozneje ni mogoče popraviti.
- Če aplikacija omogoča, izklopite samodejno uravnavanje ojačitve in zmanjševanje šuma. Google pravi, da zmanjševanje šuma pred prepoznavanjem običajno zmanjša natančnost.
Mono ali stereo?
Za en skupen mikrofon zadostuje mono. Whisper stereo tako ali tako zmeša v mono, zato stereo z istim glasom na obeh straneh le podvoji velikost nalaganja. Stereo je vredno ohraniti, kadar je na vsaki strani druga oseba, kot pri številnih snemalnikih klicev ali enem pripetem mikrofonu na kanal. Google tedaj svetuje pošiljanje vsakega kanala posebej, mešan posnetek pa v obstoječi obliki.
Večstezni posnetki
Orodja za podkaste in intervjuje na daljavo pogosto vsako osebo posnamejo na ločeno sled. Izvozite eno mešano sled in vklopite oznake govorcev (najlažje) ali prepišite vsako sled posebej in besedila združite po časovnih oznakah (najčistejši zvok, vendar združevanje opravite sami).
Priporočeni format in nastavitve glede na primer
Pogostejši je položaj »datoteko že imam« in odgovor je običajno »naložite jo«.
| Primer | Snemajte kot (če izbirate) | Če že imate | Pred nalaganjem | Pazite na |
|---|---|---|---|---|
| Osebni intervju | WAV ali FLAC, mono na mikrofon, 44.1 ali 48 kHz | M4A ali MP3 s telefona | Zapišite imena in izraze | Gost je tišji od izpraševalca |
| Intervju na daljavo ali podkast, po sledeh | Lastna brezizgubna sled vsakega govorca | Ločeni WAV in mešani MP3 | Izberite mešano ali posamezne sledi | Prekrivanje glasov v mešanici |
| Posnetek sestanka (Zoom, Teams, Meet) | Zvočna možnost platforme, če obstaja | MP4 ali M4A | Zvok izluščite le, če je video zelo velik | En mikrofon prenosnika za celo sobo |
| Glasovna beležka v telefonu | Privzeta nastavitev aplikacije | .m4a | Izvozite izvirnik | Telefon v žepu med snemanjem |
| Objavljena epizoda podkasta | Ni relevantno | Objavljeni MP3 | Če imate WAV ali FLAC pred objavo, uporabite tega | Glasbeni uvodi; nastavite jezik |
| Predavanje ali seminar | Mono, 16-bit, mikrofon blizu predavatelja | Dolg MP3 ali video | Preverite dolžino glede na 10 ur | Vprašanja občinstva stran od mikrofona |
| Posnetek telefonskega klica | Privzeta nastavitev snemalnika | AMR, M4A ali 8 kHz WAV | Ohranite izvirno vzorčno frekvenco | Pravila soglasja; ne zvišujte vzorčne frekvence |
Pred snemanjem klicev pridobite potrebno soglasje. Naša vodnika o snemanju telefonskega klica in zakonih o snemanju klicev po državah to podrobneje obravnavata. To ni pravni nasvet.
Kako pretvoriti zvok za prepis s FFmpeg
Pretvarjajte le z razlogom: datoteka je prevelika, želite manjši prenos iz videa, orodje zavrne kodek ali želite govorce v ločenih datotekah. Pretvarjanje zaradi »kakovosti« ne deluje.
Z ffprobe lahko preverite izhodni kodek, vzorčno frekvenco in kanale. Možnosti so pojasnjene v dokumentaciji FFmpeg.
1. Poljubna datoteka v 16 kHz mono 16-bit WAV (enaka oblika, v katero Whisper pretvarja znotraj sistema):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. Poljubna datoteka v 16 kHz mono FLAC (brezizguben in v večini primerov manjši od WAV):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. Video v majhen mono MP3 (doda en izgubni korak; uporabite, ko je velikost najpomembnejša):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. Iz videa izluščite zvok brez ponovnega kodiranja (deluje, kadar je zvok AAC, kar je v MP4 pogosto):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. Dvokanalni posnetek razdelite v datoteko za vsakega govorca (uporablja filter channelsplit):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| Možnost | Kaj naredi |
|---|---|
-ac 1 |
Zmeša zvok v en kanal |
-ar 16000 |
Nastavi izhodno vzorčno frekvenco na 16,000 Hz |
-c:a pcm_s16le |
Zapiše 16-bitni nestisnjeni PCM (standardni WAV) |
-vn |
Odstrani video tok |
-c:a copy |
Kopira zvok brez spremembe kakovosti |
-b:a 64k |
Nastavi izgubno bitno hitrost |
Če je zvok videa že AAC, raje uporabite ukaz 4 kot 3, saj ohrani izvirno kakovost. Pri 8 kHz telefonskem zvoku izpustite -ar 16000, da ne zvišate vzorčne frekvence.
Brez ukazne vrstice? Pretvornik zvoka in videa v MP3 storitve whispertranscribe.ai v brskalniku izlušči zvok iz MP4, MOV, MKV, WEBM ali AVI. Stran pravi, da uporablja WebAssembly in da se datoteke obdelujejo v brskalniku, ne nalagajo.
Velike datoteke: ostanite pod 5GB in 10 urami
- Prevelika datoteka, krajša od 10 ur: običajno video ali WAV visoke ločljivosti. Izluščite zvok (ukaz 4 ali pretvornik v brskalniku) ali pretvorite WAV v FLAC (ukaz 2).
- Daljša od 10 ur: stran za nalaganje prikaže »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.« Razdelite jo. Ukaz za delitev brez ponovnega kodiranja v našem vodniku MP3 v besedilo deluje tudi za WAV. Pri združevanju besedila preverite stike.
- Počasna povezava: ena ura MP3 pri 64 kbps je približno 28.8 MB, stereo WAV v kakovosti CD pa 635 MB. Brezizgubni izvirnik ohranite v arhivu.
Odpravljanje težav z zvočnim formatom
| Težava | Verjeten vzrok | Kaj poskusiti |
|---|---|---|
| »No audio detected. The file may be corrupted. Please check the file and try again.« (prikazano na naših straneh za nalaganje) | Poškodovana datoteka, video brez zvoka ali prazna zvočna sled | Predvajajte lokalno; zaženite zgornji pregled z ffprobe (brez izhoda pomeni brez zvočnega toka); znova izvozite iz izvirne aplikacije |
| Nalaganje zavrnjeno kot predolgo | Datoteka nad 10 ur | Razdelite na dele po največ 10 ur |
| Datoteka je prevelika | Video ali večkanalni WAV visoke ločljivosti | Izluščite zvok ali pretvorite WAV v FLAC |
| WAV nad 4 GB se ne odpre ali naloži | Omejitev klasičnega WAV | Znova izvozite kot RF64 ali FLAC oziroma razdelite |
| En govorec je precej tišji | Vsaka oseba je na ločenem kanalu z različno glasnostjo | Razdelite kanale (ukaz 5) in prepišite vsako datoteko |
| Popačeni, prasketajoči vrhovi | Prekrmiljenje med snemanjem | Ni mogoče popraviti; naslednjič znižajte vhodno ojačitev |
| Telefonski zvok je po pretvorbi na 48 kHz še vedno slab | Zvišanje frekvence ne doda informacij | Naložite izvirnik; poskusite jezikovno možnost »Noise / Low-Quality Audio/Video«, kjer je na voljo |
Kje se umešča whispertranscribe.ai
whispertranscribe.ai je orodje za prepis, ki uporablja modele Whisper podjetja OpenAI in deluje v spletnem brskalniku (brez aplikacije, API-ja in človeške lekture). Brezplačni pretvornik zvoka v besedilo in druge strani navajajo formate MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG in MPEG.
- Omejitve: datoteke do 5GB in 10 ur.
- Jeziki: 130+ jezikov z možnostmi »Noise / Low-Quality Audio/Video« za mnoge.
- Natančnost: do 99% pri čistem zvoku. Hrup, razdalja, naglasi in prekrivanje glasov jo zmanjšajo.
- Govorci: pred prepisom vklopite Speaker Detection.
- Izvozi: DOCX, PDF, TXT, CSV, SRT in VTT.
- Zasebnost: pravilnik o zasebnosti pravi, da se naloženi izvirniki po obdelavi izbrišejo, izluščeni MP3 pa se privzeto hranijo 30 dni.
Za posamezne posnetke glejte strani za datoteke MP3, glasovne beležke, telefonske klice, intervjuje ter predavanja in seminarje. Preizkusite datoteko na brezplačni strani brez računa (omejitve so navedene tam). Plačljivi paketi: od $9.99/mesec ob letnem plačilu (cenik). Vse drugo je na strani funkcij.
Pogosta vprašanja
Kateri je najboljši zvočni format za prepis?
Ko nadzorujete snemanje, je najboljši WAV ali FLAC, idealno mono pri 16 kHz ali več in 16-bitni globini. Če že imate stisnjeno datoteko, kot je MP3, M4A ali Opus, jo naložite brez pretvorbe. Kakovost snemanja, torej bližnji mikrofon, malo hrupa v ozadju in brez prekrmiljenja, običajno pomeni več kot izbira med temi formati.
Je WAV za prepis boljši od MP3?
WAV, posnet pri viru, ohrani več podrobnosti kot MP3, Google pa opozarja, da lahko izgubni kodeki, kot je MP3, zmanjšajo natančnost prepoznavanja. Razlika je pri jasnem govoru pogosto majhna, pri hrupnih posnetkih večja. WAV, ustvarjen iz obstoječega MP3, ni nič boljši, saj zavrženih podrobnosti ni več. Kadar lahko, snemajte v WAV ali FLAC in MP3 naložite brez sprememb.
Katero vzorčno frekvenco naj uporabim za prepis?
Uporabite 16 kHz ali več. Google priporoča vsaj 16,000 Hz za prepoznavanje govora, Whisper podjetja OpenAI pa pred obdelavo ves zvok pretvori v 16 kHz mono. Snemanje pri 44.1 ali 48 kHz je v redu in pogosto. Nižje frekvence naknadno ne zvišujte: telefonski posnetek 8 kHz naložite pri 8 kHz, ker zvišanje poveča velikost, ne pa informacij o govoru.
Naj za prepis snemam mono ali stereo?
Snemajte mono, kadar vsi uporabljajo en mikrofon. Whisper stereo tako ali tako zmeša v mono, zato stereo kopija istega glasu le podvoji velikost datoteke. Stereo ali več sledi ohranite, kadar je vsak govorec na ločenem kanalu, na primer pri snemalniku klicev ali mikrofonu za vsakega gosta. Google svetuje ločen prepis kanalov, ki jih lahko razdelite s FFmpeg.
Kako velika je datoteka WAV na minuto?
Odvisno od nastavitev: vzorčno frekvenco pomnožite z bajti na vzorec in kanali, da dobite bajte na sekundo. 16 kHz, 16-bit mono WAV je 16,000 × 2 × 1 = 32,000 bajtov na sekundo, približno 1.92 MB na minuto ali 115.2 MB na uro. Stereo v kakovosti CD, 44.1 kHz in 16-bit, je približno 10.58 MB na minuto ali 635 MB na uro.
Lahko namesto luščenja zvoka naložim video?
Da. Orodja za prepis berejo zvočno sled in prezrejo sliko, zato MP4, MOV, MKV ali WEBM da enak prepis kot izluščeni zvok. Video le poveča prenos. Zvok izluščite, ko je datoteka blizu omejitve velikosti ali je povezava počasna, na primer z možnostjo FFmpeg -vn -c:a copy, ki ohrani izvirno kakovost zvoka. Na whispertranscribe.ai lahko video naložite brez sprememb in izvozite DOCX, TXT, SRT ali VTT.
Imate posnetek? Naložite ga brez sprememb v brezplačni pretvornik zvoka v besedilo storitve whispertranscribe.ai: izberite enega od 130+ jezikov, vklopite Speaker Detection in prenesite DOCX, TXT, SRT ali VTT. Datoteke do 5GB in 10 ur.
Viri
- Google Cloud: Najboljše prakse Speech-to-Text (zagotavljanje govornih podatkov)
- Google Cloud: Optimizacija zvočnih datotek za Speech-to-Text
- OpenAI: whisper/audio.py v repozitoriju Whisper na GitHubu
- FFmpeg: Dokumentacija ukazne vrstice ffmpeg in filter channelsplit
- Library of Congress: WAVE Audio File Format (fdd000001)
- Library of Congress: AMR, Adaptive Multi-Rate Speech Codec (fdd000254)
