Уреднички тим whispertranscribe.ai · Последње ажурирање: новембар 2026. · 12 минута читања
Најбољи аудио-формат за транскрипцију је формат без губитака, WAV (16-битни PCM) или FLAC, снимљен у моно техници на 16 kHz или више, када контролишете снимање. Ако већ имате MP3, M4A или видео, отпремите га какав јесте. Конверзија компримоване датотеке не враћа изгубљене детаље; удаљеност микрофона и бука имају већи утицај.
Следи шта изабрати пре снимања, шта са добијеном датотеком, формуле величине, поставке по сценаријима, FFmpeg команде и табела решења.
Напомена о интересу. whispertranscribe.ai објављује овај водич. Техничке тврдње повезане су са Google Cloud-ом, Whisper кодом компаније OpenAI, FFmpeg-ом или Library of Congress. Нисмо радили тестове тачности и ништа овде не обећава одређени проценат боље тачности због формата.
Кратак одговор: најбољи аудио-формат за транскрипцију
Бирајте према фази рада, не према једном „победнику“.
| Ситуација | Најбољи избор | Зашто |
|---|---|---|
| Подешавате рекордер или апликацију | WAV (16-битни) или FLAC, моно, 16 kHz или више | Google препоручује FLAC или LINEAR16 без губитака за препознавање говора |
| Требају вам мале датотеке током снимања | Кодек са губитком погодан за говор и умереним битрејтом | Google-ови омиљени кодеци са губитком за говор су AMR-WB, Ogg Opus и Speex |
| Већ имате MP3, M4A или Opus | Отпремите оригинал | Поновно кодирање не враћа детаље |
| Имате видео (MP4, MOV, MKV) | Отпремите га; издвојте аудио ако је огроман | Користи се само аудио-нумера |
| Говорници су на засебним нумерама | Сачувајте нумере | Google препоручује слање сваког канала засебно када свако има свој |
Када уопште не бринути о формату: телефонска гласовна белешка, објављена епизода подкаста или снимак са Zoom-а или Teams-а. Отпремите га, изаберите говорни језик и проверите имена.
Формат, кодек и контејнер: шта екстензија скрива
Екстензија означава контејнер, не нужно компресију. Google-ов водич за оптимизацију аудија јасно каже да кодек и формат нису исто. Три честа изненађења:
- WAV обично садржи некомпримовани линеарни PCM, али може имати и друга кодирања (Library of Congress, WAVE).
- M4A може садржати AAC са губитком или Apple Lossless (ALAC) без губитака.
- OGG је контејнер који обично садржи Opus или Vorbis, оба са губитком.
Да видите садржај, затражите од FFmpeg-овог ffprobe само аудио-токове:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
Команда приказује један ред по аудио-току; ако нема излаза, то може указати на датотеку без аудио-нумере пре отпремања.
Поређење аудио-формата за транскрипцију
Сви формати могу се транскрибовати. Разлика је у сачуваним детаљима и величини. Величине следе формуле из следећег одељка (1 MB = 1,000,000 бајтова).
| Формат | Са губитком или без њега | Уобичајен извор | Величина по минуту (пример) | Утицај на транскрипцију | Шта учинити |
|---|---|---|---|---|---|
| WAV (PCM) | Некомпримован | Теренски рекордери, уредници | 1.92 MB на 16 kHz, 16-bit, моно; 10.58 MB на 44.1 kHz, 16-bit, стерео | Чува све што је микрофон ухватио | Најбољи оригинал; пазите на величину дугих снимака |
| FLAC | Без губитака (компримован) | Архиве, извоз из уредника | Мањи од истог WAV-а; уштеда варира | Исти аудио као WAV | Користите уместо WAV-а ради уштеде |
| AIFF / ALAC / CAF | AIFF обично некомпримован; ALAC без губитака; CAF може оба | Mac и iPhone апликације | AIFF: као WAV при истим поставкама | Зависи од кодека | Отпремите без измене |
| MP3 | Са губитком | Подкасти, преузимања | 0.96 MB на 128 kbps | Google: кодеци са губитком могу смањити тачност | Отпремите без измене |
| M4A / AAC | Обично са губитком (AAC) | Гласовне белешке, звук видеа | 0.48 MB на 64 kbps | Исто упозорење као за MP3 | Отпремите оригинал |
| OGG / Opus | Са губитком | Гласовне поруке, веб-позиви | 0.24 MB на 32 kbps | Opus је међу Google-овим пожељним кодецима са губитком за говор | Отпремите без измене |
| AMR (ускопојасни) | Са губитком, само говор | Стари телефони и рекордери позива | Око 0.09 MB на 12.2 kbps | Преноси само 200 до 3,400 Hz (Library of Congress, AMR) | Отпремите без измене; не повећавајте узорковање |
Видео ради на исти начин: алат чита аудио-нумеру, па је једини додатни трошак већа датотека за отпремање.
Колика је аудио-датотека? Формуле
Две формуле омогућавају процену величине пре снимања или отпремања.
Некомпримовани PCM (WAV, AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels
Примери:
- 16 kHz, 16-bit, моно: 16,000 × 2 × 1 = 32,000 бајтова у секунди. × 60 = 1,920,000 бајтова, око 1.92 MB по минуту или 115.2 MB по сату.
- 44.1 kHz, 16-bit, стерео: 44,100 × 2 × 2 = 176,400 бајтова у секунди, око 10.58 MB по минуту или 635 MB по сату.
- 48 kHz, 24-bit, стерео: 48,000 × 3 × 2 = 288,000 бајтова у секунди или 1,036.8 MB по сату.
Са губитком при сталном битрејту (MP3, AAC, Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (то јест kbps × 7,500)
- 128 kbps: 128 × 7,500 = 960,000 бајтова, око 0.96 MB по минуту или 57.6 MB по сату.
- 64 kbps: 0.48 MB по минуту; 32 kbps: 0.24 MB по минуту.
Стварне датотеке су нешто веће због заглавља, а променљиви битрејт варира око просека. Рачунари који приказују бинарне јединице (MiB) показују око 5% мање бројеве.
Шта ти бројеви значе за лимит од 5GB и 10 сати
whispertranscribe.ai прихвата датотеке до 5GB и 10 сати. Уобичајене поставке изгледају овако, ако 5GB значи 5,000,000,000 бајтова:
| Поставка | 1 сат | 10 сати | Да ли 10 сати стаје у 5GB? |
|---|---|---|---|
| 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 | Не: стаје око 7.9 сати |
| WAV, 48 kHz, 24-bit, стерео | 1.04 GB | 10.37 GB | Не: стаје око 4.8 сати |
| MP3, 128 kbps | 57.6 MB | 576 MB | Да |
| Opus, 32 kbps | 14.4 MB | 144 MB | Да |
Класичан WAV има сопствену границу: 32-битно поље величине ограничава га на око 4 GB, а дужи снимци захтевају RF64 (Library of Congress). За веома дуге снимке без губитака FLAC или 16 kHz моно WAV избегава оба проблема.
Шта је важније од аудио-формата
Јасан глас близу микрофона сачуван као MP3 обично је бољи од датотеке без губитака снимљене преко бучне собе. Следећа подешавања и навике највише утичу на резултат.
Фреквенција узорковања: да ли је 16 kHz довољно?
Да, за говор. Google препоручује 16,000 Hz или више (добре праксе); његов водич објашњава да ниже фреквенције остављају мало или нимало информација изнад 8 kHz. Отворени Whisper код компаније OpenAI претвара сваки улаз у 16,000 Hz моно пре обраде (whisper/audio.py). Снимање на 44.1 или 48 kHz је у реду, али је датотека већа.
Накнадно повећање не помаже: Google наводи да датотека од 8 kHz подигнута на 44.1 kHz и даље садржи само око 4 kHz фреквенцијског опсега. Телефонски аудио, често 8,000 Hz, отпремите на изворној фреквенцији.
Битна дубина: 16 или 24 бита?
Google препоручује 16 бита или више и каже да претварање 8-битног у 16-битни аудио не додаје ништа јер је динамички опсег одређен при снимању. Задржавање 24-битног снимка не штети; претварање 16 у 24 бита не додаје ништа.
Битрејт компримованих датотека
Нема стандарда који гарантује добру транскрипцију одређеним битрејтом. Google-ове смернице односе се на тип кодека: они са губитком могу смањити тачност, а шум и ехо више штете уз компресију са губитком. Ако морате да компримујете, учините то једном на умереној поставци и избегавајте низове WAV у MP3 у OGG.
Удаљеност микрофона, шум и нивои
Према Google-овим саветима за предобраду:
- Поставите микрофон што ближе говорнику, посебно уз позадински шум.
- Избегавајте одсецање сигнала. Изобличени врхови не могу се касније поправити.
- Искључите аутоматску контролу појачања и смањење шума ако апликација дозвољава. Google наводи да смањење шума пре препознавања обично смањује тачност.
Моно или стерео?
За један заједнички микрофон довољан је моно. Whisper ионако меша стерео у моно, па исти глас на обе стране само удвостручује величину. Сачувајте стерео када је на свакој страни друга особа, као код многих рекордера позива или засебних бубица. Google тада саветује слање сваког канала засебно, а мешаног снимка каквог јесте.
Вишенумерни снимци
Алати за подкасте и интервјуе на даљину често снимају сваку особу на засебну нумеру. Извезите једну мешану нумеру и укључите ознаке говорника (најједноставније) или транскрибујте сваку нумеру засебно и спојите текст по временским ознакама (чистији звук, али спајање радите сами).
Препоручени формат и поставке према сценарију
Чешће већ имате датотеку и одговор је обично „отпремите је“.
| Сценарио | Снимајте као (ако бирате) | Ако већ имате | Пре отпремања | Пазите на |
|---|---|---|---|---|
| Интервју уживо | WAV или FLAC, моно по микрофону, 44.1 или 48 kHz | M4A или MP3 са телефона | Запишите имена и термине | Гост тиши од интервјуера |
| Интервју на даљину или подкаст, одвојене нумере | Нумера без губитака за сваког говорника | Засебни WAV и мешани MP3 | Изаберите мешано или одвојено | Преклапање говора у мешавини |
| Снимак састанка (Zoom, Teams, Meet) | Аудио-опција платформе, ако постоји | MP4 или M4A | Издвојте аудио само ако је видео огроман | Један микрофон лаптопа за целу собу |
| Гласовна белешка на телефону | Подразумевана поставка апликације | .m4a | Извезите оригинал | Телефон у џепу током снимања |
| Објављена епизода подкаста | Није применљиво | Објављени MP3 | Користите WAV или FLAC пре објаве ако га имате | Музички увод; подесите језик |
| Предавање или семинар | Моно, 16-bit, микрофон близу предавача | Дуги MP3 или видео | Проверите трајање према 10 сати | Питања публике далеко од микрофона |
| Снимак телефонског разговора | Подразумевана поставка рекордера | AMR, M4A или 8 kHz WAV | Задржите изворну фреквенцију | Правила пристанка; не повећавајте узорковање |
Пре снимања позива прибавите потребан пристанак. Наши водичи о снимању телефонског разговора и законима по савезним државама објашњавају тему. Ово није правни савет.
Како конвертовати аудио за транскрипцију помоћу FFmpeg-а
Конвертујте само са разлогом: датотека је превелика, желите лакше отпремање видеа, алат одбија кодек или желите засебне датотеке за говорнике. Конверзија ради „квалитета“ не помаже.
Следе примери команди; кодек, фреквенцију и канале можете проверити помоћу ffprobe. Опције су објашњене у FFmpeg документацији.
1. Било која датотека у 16 kHz моно 16-битни WAV (исти облик у који Whisper интерно претвара аудио):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. Било која датотека у 16 kHz моно FLAC (без губитака и обично мањи од WAV-а):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. Видео у мали моно MP3 (додаје један корак са губитком; користите када је величина најважнија):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. Издвојите аудио из видеа без поновног кодирања (ради када је аудио AAC, чест у MP4-у):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. Поделите двоканални снимак у датотеке по говорнику (користи channelsplit филтер):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| Опција | Шта ради |
|---|---|
-ac 1 |
Меша аудио у један канал |
-ar 16000 |
Поставља излазну фреквенцију на 16,000 Hz |
-c:a pcm_s16le |
Записује 16-битни некомпримовани PCM (стандардни WAV) |
-vn |
Уклања видео-ток |
-c:a copy |
Копира аудио без промене квалитета |
-b:a 64k |
Поставља битрејт са губитком |
Изаберите команду 4 пре 3 када је аудио видеа већ AAC јер задржава изворни квалитет. За телефонски аудио од 8 kHz изоставите -ar 16000 да не повећавате узорковање.
Без командне линије? Конвертор аудија и видеа у MP3 услуге whispertranscribe.ai издваја аудио-нумеру из MP4, MOV, MKV, WEBM или AVI у прегледачу. Страница каже да користи WebAssembly и да се датотеке обрађују у прегледачу без отпремања.
Велике датотеке: унутар 5GB и 10 сати
- Превелика, али испод 10 сати: обично видео или WAV високе резолуције. Издвојте аудио (команда 4 или браузерски конвертор) или претворите WAV у FLAC (команда 2).
- Дужа од 10 сати: страница за отпремање каже да може обрадити само до 10 сати и тражи да се датотека скрати. Поделите је. Команда без поновног кодирања из водича за MP3 у текст може се применити и на WAV. Проверите спојеве када спајате текст.
- Спора веза: један сат MP3-а на 64 kbps је око 28.8 MB, према 635 MB за стерео WAV CD квалитета. Сачувајте оригинал без губитака у архиви.
Решавање проблема са аудио-форматом
| Проблем | Вероватан узрок | Шта пробати |
|---|---|---|
| „Аудио није откривен. Датотека је можда оштећена. Проверите је и покушајте поново.“ (приказује се на нашим страницама) | Оштећена датотека, видео без звука или празна аудио-нумера | Пустите локално; покрените горњу проверу ffprobe (нема излаза значи нема аудио-тока); поново извезите из оригиналне апликације |
| Отпремање одбијено јер је предугачко | Више од 10 сати | Поделите на делове до 10 сати |
| Превелика датотека | Видео или вишеканални WAV високе резолуције | Издвојте аудио или претворите WAV у FLAC |
| WAV већи од 4 GB не отвара се или отпрема | Граница класичног WAV-а | Поново извезите као RF64 или FLAC или поделите |
| Један говорник је много тиши | Свако је на засебном каналу са различитим нивоом | Поделите канале (команда 5) и транскрибујте сваки |
| Изобличени, пуцкетави врхови | Одсецање током снимања | Не може се поправити; следећи пут смањите улазно појачање |
| Телефонски аудио је и даље лош после конверзије на 48 kHz | Повећање узорковања не додаје информације | Отпремите оригинал; пробајте језичку опцију „Noise / Low-Quality Audio/Video“ ако постоји |
Где се уклапа whispertranscribe.ai
whispertranscribe.ai је алат за транскрипцију заснован на OpenAI Whisper моделима који ради у веб-прегледачу (без апликације, API-ја или људске редактуре). Бесплатни конвертор аудија у текст и друге странице наводе MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG и MPEG.
- Лимити: датотеке до 5GB и 10 сати.
- Језици: више од 130, са опцијама „Noise / Low-Quality Audio/Video“ за многе.
- Тачност: до 99% на чистом аудију. Шум, раздаљина, акценти и преклапање је смањују.
- Говорници: укључите Speaker Detection пре транскрипције.
- Извоз: DOCX, PDF, TXT, CSV, SRT и VTT.
- Приватност: политика приватности каже да се оригинали бришу после обраде, а издвојени MP3 подразумевано чува 30 дана.
За појединачне снимке погледајте странице за MP3 датотеке, гласовне белешке, телефонске позиве, интервјуе и предавања и семинаре. Пробајте датотеку на бесплатној страници без налога (тамо су ограничења). Плаћени планови од $9.99 месечно уз годишње плаћање (цене). Остало је на страници функција.
Честа питања
Који је најбољи аудио-формат за транскрипцију?
WAV или FLAC је најбољи када контролишете снимање, идеално моно на 16 kHz или више и са 16-битном дубином. Ако већ имате компримовани MP3, M4A или Opus, отпремите га какав јесте. Квалитет снимања — близак микрофон, мало буке и без одсецања — обично је важнији од избора формата.
Да ли је WAV бољи од MP3-а за транскрипцију?
WAV снимљен из извора чува више детаља од MP3-а, а Google наводи да кодеци са губитком могу смањити тачност. Разлика је често мала код јасног говора, а већа код бучних снимака. WAV направљен из постојећег MP3-а није бољи јер су одбачени детаљи изгубљени. Снимајте у WAV или FLAC када можете и отпремајте MP3 без измене.
Коју фреквенцију узорковања користити?
Користите 16 kHz или више. Google препоручује најмање 16,000 Hz за препознавање говора, а OpenAI Whisper претвара аудио у 16 kHz моно. Снимање на 44.1 или 48 kHz је добро и често. Не повећавајте нижу фреквенцију накнадно: телефонски снимак од 8 kHz отпремите на 8 kHz, јер повећање додаје величину, али не и информације о говору.
Да ли снимати моно или стерео?
Снимајте моно када сви користе један микрофон. Whisper ионако меша стерео у моно, па стерео копија истог гласа само удвостручује величину. Задржите стерео или више нумера када је сваки говорник на засебном каналу, као код рекордера позива или микрофона по госту. Google саветује засебну транскрипцију канала, које можете поделити FFmpeg-ом.
Колика је WAV датотека по минуту?
Зависи од поставки: помножите фреквенцију узорковања са бајтовима по узорку и бројем канала за бајтове у секунди. WAV на 16 kHz, 16-bit моно је 16,000 × 2 × 1 = 32,000 бајтова у секунди, око 1.92 MB по минуту или 115.2 MB по сату. Стерео CD квалитета на 44.1 kHz и 16 бита је око 10.58 MB по минуту или 635 MB по сату.
Могу ли да отпремим видео уместо издвајања аудија?
Да. Алати за транскрипцију читају аудио-нумеру и игноришу слику, па MP4, MOV, MKV или WEBM даје исти транскрипт као издвојени аудио. Видео само повећава отпремање. Издвојте аудио када је датотека близу лимита или је веза спора, на пример FFmpeg опцијом -vn -c:a copy која чува изворни квалитет. У whispertranscribe.ai можете отпремити видео какав јесте и извести DOCX, TXT, SRT или VTT.
Имате снимак? Отпремите га какав јесте у бесплатни конвертор аудија у текст услуге whispertranscribe.ai: изаберите један од више од 130 језика, укључите Speaker Detection и преузмите DOCX, TXT, SRT или VTT. Датотеке до 5GB и 10 сати.
Извори
- Google Cloud: Speech-to-Text best practices (providing speech data)
- Google Cloud: Optimize audio files for Speech-to-Text
- OpenAI: whisper/audio.py in the Whisper GitHub repository
- FFmpeg: ffmpeg command-line documentation and channelsplit filter
- Library of Congress: WAVE Audio File Format (fdd000001)
- Library of Congress: AMR, Adaptive Multi-Rate Speech Codec (fdd000254)
