Nga redaksia e whispertranscribe.ai · Përditësuar në nëntor 2026 · 12 minuta lexim
Kur regjistroni vetë, formati më i mirë i audios për transkriptim është audioja pa humbje, në WAV (PCM 16-bitësh) ose FLAC, e regjistruar në mono në 16 kHz ose më lart. Nëse e keni tashmë një MP3, M4A ose skedar videoje, ngarkojeni siç është. Konvertimi i një skedari të kompresuar nuk rikthen hollësitë e humbura. Largësia nga mikrofoni dhe zhurma ndikojnë më shumë në rezultat.
Më poshtë gjeni çfarë të zgjidhni para regjistrimit, çfarë të bëni me një skedar që ju kanë dërguar, formulat e madhësisë së skedarit, cilësimet sipas rastit, komandat FFmpeg dhe një tabelë për zgjidhjen e problemeve.
Deklaratë transparence. Këtë udhëzues e boton whispertranscribe.ai. Pohimet teknike shoqërohen me lidhje te Google Cloud, kodi Whisper i OpenAI, FFmpeg ose Biblioteka e Kongresit. Për këtë artikull nuk kemi kryer prova saktësie dhe nuk premtojmë se një format do ta rritë saktësinë me një përqindje të caktuar.
Përgjigjja e shkurtër: formati më i mirë i audios për transkriptim
Zgjedhja varet nga faza ku ndodheni.
| Situata juaj | Zgjedhja më e mirë | Pse |
|---|---|---|
| Po konfiguroni një regjistrues ose aplikacion | WAV (16-bitësh) ose FLAC, mono, 16 kHz ose më lart | Google rekomandon FLAC ose LINEAR16 pa humbje për njohjen e të folurit |
| Ju duhen skedarë të vegjël që gjatë regjistrimit | Kodek me humbje i përshtatshëm për të folur, me shpejtësi bitesh mesatare | Kodekët me humbje që preferon Google për të folur janë, me radhë, AMR-WB, Ogg Opus dhe Speex |
| Keni tashmë një MP3, M4A ose Opus | Ngarkoni origjinalin | Rikodimi nuk rikthen të dhënat e humbura |
| Keni një video (MP4, MOV, MKV) | Ngarkojeni dhe nxirrni audion nëse skedari është shumë i madh | Përpunohet vetëm pista audio |
| Folësit janë regjistruar në pista të veçanta | Mbajini pistat | Google këshillon ta dërgoni secilin kanal më vete kur çdo person ka kanalin e vet |
Kur s'ka nevojë të merreni me formatin: për një shënim zanor nga telefoni, një episod të botuar podkasti ose një regjistrim nga Zoom a Teams. Ngarkojeni, zgjidhni gjuhën e folur dhe kushtojini kohë kontrollit të emrave.
Formati, kodeku dhe kontejneri: çfarë fsheh prapashtesa e skedarit?
Prapashtesa tregon kontejnerin. Lloji i kompresimit brenda tij mund të ndryshojë. Udhëzuesi i Google për optimizimin e audios i trajton veçmas kodekët dhe formatet e skedarëve. Tri raste të zakonshme:
- WAV zakonisht mban PCM linear të pakompresuar, por mund të mbajë edhe kodime të tjera (Biblioteka e Kongresit, WAVE).
- M4A mund të mbajë AAC me humbje ose Apple Lossless (ALAC) pa humbje.
- OGG është kontejner që zakonisht mban Opus ose Vorbis, të dy me humbje.
Për të parë çfarë përmban vërtet skedari, përdorni ffprobe të FFmpeg për të shfaqur vetëm rrjedhat e audios:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
E përdorëm komandën me FFmpeg 7.1.5 në një video të shkurtër prove. Ajo shfaqi nga një rresht për çdo rrjedhë audioje. Me një kopje nga e cila hoqëm audion, nuk shfaqi rezultat. Kështu mund ta dalloni shpejt para ngarkimit një skedar pa pistë audioje.
Krahasimi i formateve të audios për transkriptim
Të gjitha formatet më poshtë mund të transkriptohen. Dallojnë në hollësitë e ruajtura dhe madhësinë që merr skedari. Madhësitë janë llogaritur me formulat e seksionit vijues (1 MB = 1,000,000 bajte).
| Formati | Me ose pa humbje | Ku gjendet zakonisht | Madhësia për minutë (cilësim shembull) | Ndikimi në transkriptim | Çfarë të bëni |
|---|---|---|---|---|---|
| WAV (PCM) | I pakompresuar | Regjistrues portativë dhe redaktorë audioje | 1.92 MB në 16 kHz, 16-bitësh, mono. 10.58 MB në 44.1 kHz, 16-bitësh, stereo | Ruan gjithçka që kapi mikrofoni | I përshtatshëm si skedar origjinal. Kontrolloni madhësinë për regjistrime të gjata |
| FLAC | Pa humbje (i kompresuar) | Arkiva dhe eksporte nga redaktorët | Më i vogël se i njëjti WAV. Kursimi ndryshon | E njëjta audio si te WAV-i burimor | Përdoreni në vend të WAV për të kursyer hapësirë |
| AIFF / ALAC / CAF | AIFF zakonisht i pakompresuar, ALAC pa humbje, CAF mund të mbajë të dyja llojet | Aplikacione për Mac dhe iPhone | AIFF: njësoj si WAV me të njëjtat cilësime | Varet nga kodeku brenda skedarit | Ngarkojeni siç është |
| MP3 | Me humbje | Podkaste dhe shkarkime | 0.96 MB në 128 kbps | Sipas Google, kodekët me humbje mund të ulin saktësinë | Ngarkojeni siç është |
| M4A / AAC | Zakonisht me humbje (AAC) | Shënime zanore dhe pista zanore videosh | 0.48 MB në 64 kbps | Vlen i njëjti kujdes si për MP3 | Ngarkoni origjinalin |
| OGG / Opus | Me humbje | Mesazhe zanore dhe telefonata në internet | 0.24 MB në 32 kbps | Opus është në listën e kodekëve me humbje që preferon Google për të folur | Ngarkojeni siç është |
| AMR (brez i ngushtë) | Me humbje, vetëm për të folur | Telefona dhe regjistrues të vjetër telefonatash | Rreth 0.09 MB në 12.2 kbps | Mban vetëm frekuencat nga 200 deri në 3,400 Hz (Biblioteka e Kongresit, AMR) | Ngarkojeni siç është dhe mbani frekuencën origjinale |
Skedarët video funksionojnë njësoj. Mjeti lexon pistën e audios. Kostoja e vetme shtesë është madhësia e ngarkimit.
Sa i madh është një skedar audio? Formulat
Dy formula ju lejojnë të vlerësoni madhësinë e skedarit para regjistrimit ose ngarkimit.
PCM i pakompresuar (WAV, AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels
Shembuj të llogaritur:
- 16 kHz, 16-bitësh, mono: 16,000 × 2 × 1 = 32,000 bajte për sekondë. Shumëzuar me 60, bëhen 1,920,000 bajte, rreth 1.92 MB për minutë ose 115.2 MB për orë.
- 44.1 kHz, 16-bitësh, stereo: 44,100 × 2 × 2 = 176,400 bajte për sekondë, rreth 10.58 MB për minutë ose 635 MB për orë.
- 48 kHz, 24-bitësh, stereo: 48,000 × 3 × 2 = 288,000 bajte për sekondë ose 1,036.8 MB për orë.
Me humbje dhe shpejtësi konstante bitesh (MP3, AAC, Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (pra kbps × 7,500)
- 128 kbps: 128 × 7,500 = 960,000 bajte, rreth 0.96 MB për minutë ose 57.6 MB për orë.
- 64 kbps: 0.48 MB për minutë. Në 32 kbps: 0.24 MB për minutë.
Skedarët realë janë pak më të mëdhenj për shkak të të dhënave të kokës. Te skedarët me shpejtësi të ndryshueshme bitesh, madhësia luhatet rreth mesatares. Kompjuterët që shfaqin njësi binare (MiB) tregojnë vlera rreth 5% më të ulëta.
Çfarë nënkuptojnë këto shifra me kufijtë 5 GB dhe 10 orë për ngarkim?
whispertranscribe.ai pranon skedarë deri në 5 GB dhe 10 orë. Ja si përshtaten cilësimet e zakonshme kur 5 GB llogariten si 5,000,000,000 bajte:
| Cilësimi | 1 orë | 10 orë | A futen 10 orë nën 5 GB? |
|---|---|---|---|
| WAV, 16 kHz, 16-bitësh, mono | 115.2 MB | 1.15 GB | Po |
| WAV, 44.1 kHz, 16-bitësh, stereo | 635 MB | 6.35 GB | Jo, futen rreth 7.9 orë |
| WAV, 48 kHz, 24-bitësh, stereo | 1.04 GB | 10.37 GB | Jo, futen rreth 4.8 orë |
| MP3, 128 kbps | 57.6 MB | 576 MB | Po |
| Opus, 32 kbps | 14.4 MB | 144 MB | Po |
WAV-i klasik ka edhe kufirin e vet. Fusha e madhësisë me 32 bit e kufizon në rreth 4 GB. Skedarët më të mëdhenj kërkojnë zgjerimin RF64 (Biblioteka e Kongresit). Për regjistrime shumë të gjata pa humbje, FLAC ose WAV mono në 16 kHz ndihmon për të shmangur të dyja problemet.
Çfarë ka më shumë rëndësi se formati i audios?
Një zë i qartë, i regjistruar pranë mikrofonit dhe ruajtur si MP3, zakonisht jep rezultat më të mirë se një skedar pa humbje i regjistruar në anën tjetër të një dhome me zhurmë. Këto cilësime dhe zakone përcaktojnë pjesën më të madhe të rezultatit.
Frekuenca e kampionimit: a mjaftojnë 16 kHz?
Po, për të folurën. Google rekomandon 16,000 Hz ose më lart (praktikat e mira). Udhëzuesi shpjegon se frekuencat më të ulëta ruajnë pak ose aspak informacion mbi 8 kHz. Kodi i hapur Whisper i OpenAI konverton çdo hyrje në 16,000 Hz mono para se ta përpunojë modeli (whisper/audio.py). Mund të regjistroni në 44.1 ose 48 kHz. Skedari do të jetë më i madh.
Rritja e frekuencës më pas nuk ndihmon. Google vëren se një skedar 8 kHz i rritur në 44.1 kHz ende ruan vetëm rreth 4 kHz spektër frekuencash. Ngarkoni audion telefonike, zakonisht 8,000 Hz, në frekuencën origjinale.
Thellësia e bitit: 16 apo 24 bit?
Google rekomandon 16 bit ose më shumë. Konvertimi i audios nga 8 në 16 bit nuk sjell përfitim, sepse diapazoni dinamik përcaktohet gjatë regjistrimit. Nëse regjistruesi ka ruajtur 24 bit, mund t'i mbani. Kalimi nga 16 në 24 bit nuk shton informacion.
Shpejtësia e biteve në skedarët e kompresuar
Nuk ka një standard që përcakton shpejtësi bitesh që garanton transkriptim të mirë. Udhëzimet e Google trajtojnë llojin e kodekut. Kodekët me humbje mund të ulin saktësinë. Zhurma ose jehona ndikojnë më shumë kur përdoret kompresimi me humbje. Nëse ju duhet të kompresoni, bëjeni vetëm një herë me cilësim mesatar. Shmangni kalimet e njëpasnjëshme nga WAV në MP3 e pastaj në OGG.
Largësia nga mikrofoni, zhurma dhe nivelet
Nga udhëzimet e Google për përpunimin paraprak:
- Vendoseni mikrofonin sa më pranë folësit, sidomos kur ka zhurmë në sfond.
- Shmangni prerjen e sinjalit. Kulmet e deformuara nuk mund të riparohen më pas.
- Fikni kontrollin automatik të amplifikimit dhe reduktimin e zhurmës nëse aplikacioni e lejon. Sipas Google, reduktimi i zhurmës para njohjes zakonisht ul saktësinë.
Mono apo stereo?
Kur përdoret një mikrofon i përbashkët, monoja mjafton. Whisper e përzien stereon në mono. Po të ruani të njëjtin zë në të dy kanalet, vetëm dyfishoni madhësinë e ngarkimit. Mbajeni stereon kur çdo kanal ka një person të ndryshëm, si në shumë regjistrues telefonatash ose kur përdorni një mikrofon me kapëse për kanal. Në këtë rast, Google këshillon t'i dërgoni kanalet veçmas. Kur regjistrimi është tashmë i përzier, dërgojeni siç është.
Regjistrime me disa pista
Mjetet për podkaste dhe intervista në distancë shpesh regjistrojnë çdo person në pistë të veçantë. Mund të eksportoni një pistë të përzier dhe të aktivizoni etiketat e folësve (mënyra më e thjeshtë), ose të transkriptoni çdo pistë veçmas dhe t'i bashkoni tekstet sipas shenjave kohore (audioja më e pastër, por bashkimin e bëni vetë).
Formati dhe cilësimet e rekomanduara sipas situatës
Më shpesh do ta keni skedarin gati. Në atë rast zakonisht mjafton ta ngarkoni.
| Situata | Si të regjistroni (kur mund të zgjidhni) | Nëse e keni tashmë | Para ngarkimit | Çfarë të keni parasysh |
|---|---|---|---|---|
| Intervistë ballë për ballë | WAV ose FLAC, mono për çdo mikrofon, 44.1 ose 48 kHz | M4A ose MP3 nga telefoni | Shënoni emrat dhe termat | I ftuari dëgjohet më ulët se intervistuesi |
| Intervistë në distancë ose podkast me pista të veçanta | Pistë pa humbje për çdo folës | Skedarë WAV të veçantë dhe një MP3 i përzier | Zgjidhni mes audios së përzier dhe pistave të veçanta | Zëra të mbivendosur në përzierje |
| Regjistrim takimi (Zoom, Teams, Meet) | Opsioni audio i platformës, kur ofrohet | MP4 ose M4A | Nxirrni audion vetëm kur videoja është shumë e madhe | Një mikrofon laptopi për gjithë dhomën |
| Shënim zanor nga telefoni | Cilësimi i parazgjedhur i aplikacionit | .m4a | Eksportoni origjinalin | Telefoni në xhep gjatë regjistrimit |
| Episod i botuar i një podkasti | Nuk zbatohet | MP3 i botuar | Përdorni WAV ose FLAC nga para botimit, nëse e keni | Hyrje muzikore. Zgjidhni gjuhën |
| Leksion ose seminar | Mono, 16-bitësh, mikrofoni pranë lektorit | MP3 i gjatë ose video | Kontrolloni kohëzgjatjen kundrejt kufirit 10 orë | Pyetjet e publikut larg mikrofonit |
| Regjistrim telefonate | Cilësimi i parazgjedhur i regjistruesit | AMR, M4A ose WAV në 8 kHz | Mbani frekuencën origjinale të kampionimit | Kontrolloni rregullat e pëlqimit dhe mbani frekuencën origjinale |
Regjistrimi i telefonatave ngre çështje pëlqimi. Udhëzuesit për regjistrimin e telefonatave dhe ligjet e regjistrimit sipas shtetit i trajtojnë këto çështje. Ky informacion nuk përbën këshillë ligjore.
Si të konvertoni audion për transkriptim me FFmpeg
Konvertoni kur skedari është shumë i madh, kur doni të nxirrni nga një video një skedar më të vogël për ngarkim, kur një mjet refuzon kodekun ose kur doni t'i ndani folësit në skedarë të veçantë. Konvertimi nuk përmirëson cilësinë e regjistrimit origjinal.
Kryem secilën komandë me FFmpeg 7.1.5 në një klip 11-sekondësh me të folur nga domeni publik dhe në një video të shkurtër prove të krijuar prej tij. Kontrolluam që komanda të përfundonte dhe që ffprobe të shfaqte kodekun, frekuencën e kampionimit dhe kanalet e pritura. Opsionet shpjegohen në dokumentacionin FFmpeg.
1. Nga çdo skedar në WAV mono 16-bitësh në 16 kHz (i njëjti format në të cilin e konverton Whisper gjatë përpunimit):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. Nga çdo skedar në FLAC mono në 16 kHz (pa humbje dhe zakonisht më i vogël se WAV):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. Nga video në një MP3 të vogël mono (shton një kompresim me humbje, ndaj përdoreni kur madhësia ka përparësi):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. Nxjerrja e audios nga videoja pa rikodim (funksionon me audio AAC, e zakonshme në skedarët MP4):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. Ndarja e një regjistrimi me dy kanale në një skedar për çdo folës (përdor filtrin channelsplit):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| Opsioni | Çfarë bën |
|---|---|
-ac 1 |
Përzien audion në një kanal |
-ar 16000 |
Vendos frekuencën e kampionimit të daljes në 16,000 Hz |
-c:a pcm_s16le |
Shkruan PCM 16-bitësh të pakompresuar (WAV standard) |
-vn |
Heq rrjedhën e videos |
-c:a copy |
Kopjon audion siç është, pa ndryshuar cilësinë |
-b:a 64k |
Vendos shpejtësinë e biteve për kodimin me humbje |
Kur videoja ka tashmë audio AAC, përdorni komandën 4 në vend të komandës 3, sepse ruan cilësinë origjinale. Për audio telefonike në 8 kHz, hiqni -ar 16000 që të ruani frekuencën origjinale.
Nuk përdorni rresht komandash? Konvertuesi i audios dhe videos në MP3 i whispertranscribe.ai nxjerr pistën audio nga MP4, MOV, MKV, WEBM ose AVI në shfletues. Sipas faqes, mjeti përdor WebAssembly dhe i përpunon skedarët në shfletues pa i ngarkuar në server.
Skedarët e mëdhenj: si të qëndroni brenda kufijve 5 GB dhe 10 orë
- Shumë i madh, por nën 10 orë: zakonisht është video ose WAV me rezolucion të lartë. Nxirrni audion (me komandën 4 ose konvertuesin në shfletues), ose konvertoni WAV në FLAC (komanda 2).
- Më i gjatë se 10 orë: në faqen e ngarkimit shfaqet mesazhi «Për momentin mund të përpunojmë vetëm skedarë deri në 10 orë. Shkurtojeni skedarin në 10 orë ose më pak dhe provoni përsëri». Ndajeni skedarin. Komanda për ndarje pa rikodim në udhëzuesin MP3 në tekst funksionon edhe me WAV. E verifikuam në një WAV prove. Kontrolloni pikat e ndarjes kur bashkoni tekstin.
- Lidhje e ngadaltë: një orë MP3 në 64 kbps zë rreth 28.8 MB, kundrejt 635 MB për WAV stereo me cilësi CD. Mbani origjinalin pa humbje në arkiv.
Zgjidhja e problemeve me formatin e audios
| Problemi | Shkaku i mundshëm | Çfarë të provoni |
|---|---|---|
| «Nuk u zbulua audio. Skedari mund të jetë dëmtuar. Kontrollojeni dhe provoni përsëri.» (shfaqet në faqet tona të ngarkimit) | Skedar i dëmtuar, video e eksportuar pa zë ose pistë audioje bosh | Luajeni lokalisht. Përdorni kontrollin e audios me ffprobe më sipër (pa rezultat do të thotë se mungon rrjedha audio). Eksportojeni përsëri nga aplikacioni origjinal |
| Ngarkimi refuzohet për shkak të kohëzgjatjes | Skedari zgjat mbi 10 orë | Ndajeni në pjesë prej 10 orësh ose më pak |
| Skedari është shumë i madh | Video ose WAV me rezolucion të lartë e me disa kanale | Nxirrni audion ose konvertoni WAV në FLAC |
| Një WAV mbi 4 GB nuk hapet ose nuk ngarkohet | Kufiri i madhësisë së WAV-it klasik | Eksportojeni si RF64 ose FLAC, ose ndajeni |
| Një folës dëgjohet shumë më ulët se tjetri | Secili person është regjistruar në kanal më vete me nivele të ndryshme | Ndani kanalet (komanda 5) dhe transkriptoni çdo skedar |
| Kulme tingulli të deformuara, me kërcitje | Prerje e sinjalit gjatë regjistrimit | Dëmtimi nuk riparohet. Ulni amplifikimin e hyrjes herën tjetër |
| Audioja telefonike mbetet e dobët pas konvertimit në 48 kHz | Rritja e frekuencës së kampionimit nuk shton informacion | Ngarkoni origjinalin dhe provoni opsionin «Noise / Low-Quality Audio/Video» kur ofrohet për gjuhën |
Ku hyn në punë whispertranscribe.ai?
whispertranscribe.ai është mjet transkriptimi në shfletues që përdor modelet Whisper të OpenAI (pa aplikacion, API ose kontroll nga njerëz). Konvertuesi falas i audios në tekst dhe faqet e tjera të ngarkimit rendisin formatet MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG dhe MPEG.
- Kufijtë: skedarë deri në 5 GB dhe 10 orë.
- Gjuhët: mbi 130 gjuhë, me opsionet «Noise / Low-Quality Audio/Video» për shumë prej tyre.
- Saktësia: deri në 99% kur audioja është e qartë. Zhurma, largësia nga mikrofoni, thekset dhe të folurit njëkohësisht e ulin.
- Folësit: aktivizoni Speaker Detection para transkriptimit.
- Eksportet: DOCX, PDF, TXT, CSV, SRT dhe VTT.
- Privatësia: politika e privatësisë thotë se skedarët origjinalë të ngarkuar fshihen pas përpunimit dhe MP3-të e nxjerra ruhen 30 ditë si parazgjedhje.
Për lloje të caktuara regjistrimesh, shihni faqet për skedarët MP3, shënimet zanore, telefonatat, intervistat dhe leksionet e seminaret. Provoni një skedar në faqen falas pa llogari, ku shfaqen kufijtë. Planet me pagesë fillojnë nga $9.99 në muaj me faturim vjetor (çmimet). Hollësitë e tjera janë te faqja e funksioneve.
Pyetje të shpeshta
Cili është formati më i mirë i audios për transkriptim?
Kur kontrolloni regjistrimin, zgjidhni WAV ose FLAC, mundësisht mono, me 16 kHz ose më lart dhe thellësi 16-bitëshe. Nëse keni një skedar të kompresuar si MP3, M4A ose Opus, ngarkojeni siç është. Cilësia e regjistrimit, përfshirë afërsinë e mikrofonit, zhurmën e ulët në sfond dhe shmangien e prerjes së sinjalit, zakonisht ka më shumë rëndësi se zgjedhja e formatit.
A është WAV më i mirë se MP3 për transkriptim?
Një WAV i regjistruar nga burimi ruan më shumë hollësi se një MP3. Google vëren se kodekët me humbje si MP3 mund ta ulin saktësinë e njohjes. Dallimi shpesh është i vogël në të folur të qartë dhe më i madh në regjistrime me zhurmë. WAV-i i krijuar nga një MP3 ruan po aq hollësi sa ai MP3, sepse të dhënat e hequra nuk rikthehen. Kur mundeni, regjistroni në WAV ose FLAC. MP3-të ekzistuese ngarkojini siç janë.
Çfarë frekuence kampionimi duhet të përdor për transkriptim?
Përdorni 16 kHz ose më lart. Google rekomandon të paktën 16,000 Hz për njohjen e të folurit. Whisper i OpenAI e konverton gjithë audion në 16 kHz mono para përpunimit. Regjistrimi në 44.1 ose 48 kHz është gjithashtu i zakonshëm dhe funksionon mirë. Mbani frekuencën origjinale për skedarët e regjistruar më poshtë. Një telefonatë në 8 kHz ngarkojeni në 8 kHz, sepse rritja e frekuencës shton madhësinë pa shtuar informacion zanor.
Për transkriptim, a duhet të regjistroj në mono apo stereo?
Regjistroni në mono kur të gjithë përdorin një mikrofon. Whisper e përzien stereon në mono, ndaj kopjimi i të njëjtit zë në stereo vetëm dyfishon madhësinë. Mbani stereo ose pista të veçanta kur secili folës ka kanal më vete, si te një regjistrues telefonatash ose kur çdo i ftuar ka mikrofonin e vet. Google këshillon t'i transkriptoni kanalet veçmas. Mund t'i ndani me FFmpeg.
Sa hapësirë zë një skedar WAV për minutë?
Varet nga cilësimet. Për të marrë bajtet për sekondë, shumëzoni frekuencën e kampionimit me bajtet për kampion dhe me numrin e kanaleve. Një WAV mono 16-bitësh në 16 kHz zë 16,000 × 2 × 1 = 32,000 bajte për sekondë, rreth 1.92 MB për minutë ose 115.2 MB për orë. Stereoja 16-bitëshe në 44.1 kHz, si në CD, zë rreth 10.58 MB për minutë ose 635 MB për orë.
A mund ta ngarkoj videon pa nxjerrë audion?
Po. Mjetet e transkriptimit lexojnë pistën audio dhe anashkalojnë figurën, ndaj një MP4, MOV, MKV ose WEBM jep të njëjtin transkript si audioja e nxjerrë prej tij. Videoja vetëm e zmadhon skedarin për ngarkim. Nxirreni audion kur skedari i afrohet kufirit të madhësisë ose lidhja juaj është e ngadaltë, për shembull me opsionet -vn -c:a copy të FFmpeg, që ruajnë cilësinë origjinale. Në whispertranscribe.ai mund ta ngarkoni videon siç është dhe të eksportoni DOCX, TXT, SRT ose VTT.
E keni regjistrimin gati? Ngarkojeni siç është në whispertranscribe.ai te konvertuesi falas i audios në tekst. Zgjidhni një nga mbi 130 gjuhët, aktivizoni Speaker Detection dhe shkarkoni DOCX, TXT, SRT ose VTT. Pranohen skedarë deri në 5 GB dhe 10 orë.
Burimet
- Google Cloud: Praktikat e mira të Speech-to-Text për të dhënat zanore
- Google Cloud: Optimizimi i skedarëve audio për Speech-to-Text
- OpenAI: whisper/audio.py në repozitorin Whisper në GitHub
- FFmpeg: Dokumentacioni i rreshtit të komandave ffmpeg dhe filtri channelsplit
- Biblioteka e Kongresit: Formati i skedarëve audio WAVE (fdd000001)
- Biblioteka e Kongresit: AMR, kodek për të folur me shpejtësi përshtatëse (fdd000254)
