Av whispertranscribe.ai-redaktionen · Senast uppdaterad: november 2026 · 12 minuters läsning
Det bästa ljudformatet för transkribering är förlustfritt WAV (16-bitars PCM) eller FLAC, inspelat i mono vid minst 16 kHz, när du styr inspelningen. Har du redan en MP3-, M4A- eller videofil, ladda upp den som den är. Att konvertera en komprimerad fil återställer inte förlorade detaljer, och mikrofonavstånd och brus påverkar mer.
Här följer vad du väljer före inspelning, hur du hanterar en befintlig fil, storleksformler, inställningar för olika situationer, FFmpeg-kommandon och en felsökningstabell.
Öppenhet. whispertranscribe.ai publicerar guiden. Tekniska påståenden länkar till Google Cloud, OpenAI:s Whisper-kod, FFmpeg eller Library of Congress. Vi har inte gjort några noggrannhetstester för artikeln och lovar inte att ett format ger en bestämd procentuell förbättring.
Snabbt svar: bästa ljudformatet för transkribering
Välj efter var du befinner dig i arbetsflödet, inte efter en enda ”vinnare”.
| Situation | Bästa val | Varför |
|---|---|---|
| Du ställer in en inspelare eller app | WAV (16 bitar) eller FLAC, mono, 16 kHz eller mer | Google rekommenderar förlustfritt FLAC eller LINEAR16 för taligenkänning |
| Du behöver små filer under inspelning | En förstörande kodek lämplig för tal med måttlig bithastighet | Googles föredragna förstörande talkodekar i ordning: AMR-WB, Ogg Opus, Speex |
| Du har redan MP3, M4A eller Opus | Ladda upp originalet | Omkodning återställer inget |
| Du har video (MP4, MOV, MKV) | Ladda upp den; extrahera ljudet om den är mycket stor | Bara ljudspåret används |
| Talare spelades in på separata spår | Behåll spåren | Google rekommenderar att skicka varje kanal separat när varje person har en egen |
När du inte behöver oroa dig för formatet: ett röstmemo från telefonen, ett publicerat poddavsnitt eller en Zoom- eller Teams-inspelning. Ladda upp, välj rätt talat språk och kontrollera namnen.
Format, kodek och behållare: vad filändelsen döljer
Filändelsen anger behållaren, inte alltid komprimeringen. Googles guide till ljudoptimering säger tydligt att kodekar och filformat inte är samma sak. Tre vanliga överraskningar:
- WAV innehåller vanligen okomprimerad linjär PCM, men kan också bära andra kodningar (Library of Congress, WAVE).
- M4A kan innehålla förstörande AAC eller förlustfria Apple Lossless (ALAC).
- OGG är en behållare som vanligen innehåller Opus eller Vorbis, båda förstörande.
För att se vad filen innehåller, be FFmpegs ffprobe visa bara ljudströmmarna:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
Kommandot visar en rad per ljudström. Om inget visas kan filen sakna ljudspår, vilket är bra att upptäcka före uppladdning.
Ljudformat jämförda för transkribering
Alla format nedan kan transkriberas. Skillnaden är hur mycket detalj som finns kvar och filens storlek. Storlekarna kommer från formlerna nedan (1 MB = 1 000 000 byte).
| Format | Förstörande eller förlustfritt | Vanlig källa | Storlek per minut (exempel) | Effekt på transkribering | Gör så här |
|---|---|---|---|---|---|
| WAV (PCM) | Okomprimerat | Fältinspelare, ljudredigerare | 1,92 MB vid 16 kHz, 16 bitar, mono; 10,58 MB vid 44,1 kHz, 16 bitar, stereo | Bevarar allt mikrofonen fångade | Bäst som original; se upp med storleken vid långa pass |
| FLAC | Förlustfritt (komprimerat) | Arkiv, redigeringsexporter | Mindre än samma WAV; besparingen varierar | Samma ljud som WAV | Använd i stället för WAV för att spara plats |
| AIFF / ALAC / CAF | AIFF vanligen okomprimerat; ALAC förlustfritt; CAF kan bära båda | Mac- och iPhone-appar | AIFF: samma som WAV vid samma inställning | Beror på inbyggd kodek | Ladda upp som det är |
| MP3 | Förstörande | Poddar, nedladdningar | 0,96 MB vid 128 kbps | Google: förstörande kodekar kan minska noggrannheten | Ladda upp som det är |
| M4A / AAC | Vanligen förstörande (AAC) | Röstmemon, videoljud | 0,48 MB vid 64 kbps | Samma försiktighet som MP3 | Ladda upp originalet |
| OGG / Opus | Förstörande | Röstmeddelanden, webbsamtal | 0,24 MB vid 32 kbps | Opus finns på Googles lista över föredragna förstörande talkodekar | Ladda upp som det är |
| AMR (smalband) | Förstörande, endast tal | Äldre telefoner och samtalsinspelare | Cirka 0,09 MB vid 12,2 kbps | Bär bara 200 till 3 400 Hz (Library of Congress, AMR) | Ladda upp som det är; sampla aldrig upp |
Videofiler fungerar på samma sätt: verktyget läser ljudspåret, så den extra kostnaden är större uppladdning.
Hur stor är en ljudfil? Formlerna
Två formler låter dig uppskatta filstorleken före inspelning eller uppladdning.
Okomprimerad PCM (WAV, AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels (byte per sekund = samplingsfrekvens × bitdjup i byte × antal kanaler)
Exempel:
- 16 kHz, 16 bitar, mono: 16 000 × 2 × 1 = 32 000 byte per sekund. × 60 = 1 920 000 byte, cirka 1,92 MB per minut eller 115,2 MB per timme.
- 44,1 kHz, 16 bitar, stereo: 44 100 × 2 × 2 = 176 400 byte per sekund, cirka 10,58 MB per minut eller 635 MB per timme.
- 48 kHz, 24 bitar, stereo: 48 000 × 3 × 2 = 288 000 byte per sekund eller 1 036,8 MB per timme.
Förstörande med konstant bithastighet (MP3, AAC, Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (byte per minut = bithastighet i kbps × 1 000 ÷ 8 × 60, alltså kbps × 7 500)
- 128 kbps: 128 × 7 500 = 960 000 byte, cirka 0,96 MB per minut eller 57,6 MB per timme.
- 64 kbps: 0,48 MB per minut; 32 kbps: 0,24 MB per minut.
Verkliga filer är något större på grund av huvuden och filer med variabel bithastighet varierar kring medelvärdet. Datorer som visar binära enheter (MiB) visar cirka 5 % lägre tal.
Vad betyder siffrorna vid gränsen 5 GB och 10 timmar?
whispertranscribe.ai tar filer upp till 5 GB och 10 timmar. Så ryms vanliga inställningar om 5 GB betyder 5 000 000 000 byte:
| Inställning | 1 timme | 10 timmar | Ryms 10 timmar inom 5 GB? |
|---|---|---|---|
| WAV, 16 kHz, 16 bitar, mono | 115,2 MB | 1,15 GB | Ja |
| WAV, 44,1 kHz, 16 bitar, stereo | 635 MB | 6,35 GB | Nej: cirka 7,9 timmar ryms |
| WAV, 48 kHz, 24 bitar, stereo | 1,04 GB | 10,37 GB | Nej: cirka 4,8 timmar ryms |
| MP3, 128 kbps | 57,6 MB | 576 MB | Ja |
| Opus, 32 kbps | 14,4 MB | 144 MB | Ja |
Klassisk WAV har också en egen gräns: ett 32-bitars storleksfält begränsar filen till cirka 4 GB och längre inspelningar behöver tillägget RF64 (Library of Congress). För mycket långa förlustfria inspelningar undviker FLAC eller 16 kHz mono-WAV båda problemen.
Vad är viktigare än ljudformatet?
En tydlig röst nära mikrofonen sparad som MP3 slår vanligen en förlustfri fil inspelad tvärs över ett bullrigt rum. Följande inställningar och vanor avgör mycket av resultatet.
Samplingsfrekvens: räcker 16 kHz?
Ja, för tal. Google rekommenderar minst 16 000 Hz (bästa praxis); guiden förklarar att lägre frekvenser lämnar lite eller ingen information över 8 kHz. OpenAI:s öppna Whisper-kod omvandlar varje indata till 16 000 Hz mono före modellen (whisper/audio.py). Inspelning vid 44,1 eller 48 kHz går bra men ger större filer.
Att höja frekvensen i efterhand hjälper inte: Google säger att en 8 kHz-fil uppsamplad till 44,1 kHz fortfarande bara har frekvensinnehåll upp till cirka 4 kHz. Ladda upp telefonljud, ofta 8 000 Hz, med ursprunglig frekvens.
Bitdjup: 16 eller 24 bitar?
Google rekommenderar minst 16 bitar och säger att omvandling av 8-bitars ljud till 16 bitar inte tillför något eftersom dynamiken bestämdes vid inspelning. Det är ofarligt att behålla 24 bitar från inspelaren; att konvertera 16 till 24 tillför inget.
Bithastighet för komprimerade filer
Ingen standard anger en bithastighet som garanterar bra transkribering. Googles vägledning handlar om kodektyp: förstörande kodekar kan minska noggrannheten och brus eller eko skadar mer när sådan komprimering används. Måste du komprimera, gör det en gång med måttlig inställning och undvik kedjor som WAV till MP3 till OGG.
Mikrofonavstånd, brus och nivåer
Utifrån Googles råd om förbehandling:
- Placera mikrofonen så nära talaren som rimligt, särskilt med bakgrundsbrus.
- Undvik klippning. Förvrängda toppar kan inte repareras senare.
- Stäng av automatisk förstärkningskontroll och brusreducering om appen tillåter. Google säger att brusreducering före igenkänning vanligen minskar noggrannheten.
Mono eller stereo?
För en gemensam mikrofon räcker mono. Whisper mixar ändå stereo till mono, så samma röst på båda sidor fördubblar bara uppladdningen. Behåll stereo när varje sida innehåller en annan person, som vid samtalsinspelning eller en myggmikrofon per kanal. Google rekommenderar då att skicka kanalerna separat och en mixad inspelning som den är.
Flerspårsinspelningar
Podd- och fjärrintervjuverktyg spelar ofta in varje person på eget spår. Exportera antingen en mixad fil och aktivera talaretiketter (enklast) eller transkribera varje spår separat och slå ihop texter efter tidsstämpel (renast ljud, men du gör sammanslagningen).
Rekommenderat format och inställningar efter situation
Att redan ha en fil är vanligare och svaret är oftast ”ladda upp den”.
| Situation | Spela in som (om du väljer) | Om du redan har | Före uppladdning | Se upp med |
|---|---|---|---|---|
| Intervju på plats | WAV eller FLAC, mono per mikrofon, 44,1 eller 48 kHz | M4A eller MP3 från telefon | Anteckna namn och termer | Gästen kan vara tystare än intervjuaren |
| Fjärrintervju eller podd, separata spår | Varje talares eget förlustfria spår | Separata WAV och mixad MP3 | Välj mixat eller separat | Överhörning i mixen |
| Mötesinspelning (Zoom, Teams, Meet) | Plattformens ljudalternativ om det finns | MP4 eller M4A | Extrahera ljud bara om videon är mycket stor | En laptopmikrofon för hela rummet |
| Röstmemo på telefon | Appens standard | .m4a | Exportera originalet | Telefon i fickan under inspelning |
| Publicerat poddavsnitt | Inte tillämpligt | Utgiven MP3 | Använd WAV eller FLAC före publicering om du har den | Musikintro; ställ in språk |
| Föreläsning eller seminarium | Mono, 16 bitar, mikrofon nära föreläsaren | Lång MP3 eller video | Kontrollera längden mot 10 timmar | Publikfrågor långt från mikrofonen |
| Inspelat telefonsamtal | Inspelarens standard | AMR, M4A eller 8 kHz WAV | Behåll ursprunglig samplingsfrekvens | Samtyckesregler; sampla inte upp |
Få nödvändigt samtycke och arrangörens tillstånd innan du spelar in. Våra guider om att spela in telefonsamtal och delstatliga lagar om samtalsinspelning behandlar frågan. Detta är inte juridisk rådgivning.
Så konverterar du ljud för transkribering med FFmpeg
Konvertera bara av en anledning: filen är för stor, du vill ha en mindre uppladdning från video, ett verktyg avvisar kodeken eller du vill ha talare i separata filer. Konvertering förbättrar inte kvaliteten.
De fem konverteringarna nedan har testats med FFmpeg 4.3 på macOS; ffprobe kan användas för att kontrollera utdata. Alternativen förklaras i FFmpeg-dokumentationen.
1. Valfri fil till 16 kHz mono 16-bitars WAV (samma form som Whisper internt omvandlar till):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. Valfri fil till 16 kHz mono FLAC (förlustfritt och oftast mindre än WAV):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. Video till liten mono-MP3 (lägger till ett förstörande steg; använd när storleken är viktigast):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. Hämta ljud från video utan omkodning (fungerar när ljudet är AAC, vanligt i MP4):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. Dela en tvåkanalsinspelning i en fil per talare (använder channelsplit-filtret):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| Alternativ | Funktion |
|---|---|
-ac 1 |
Mixar ljudet till en kanal |
-ar 16000 |
Ställer in utdatafrekvensen till 16 000 Hz |
-c:a pcm_s16le |
Skriver 16-bitars okomprimerad PCM (standard-WAV) |
-vn |
Tar bort videoströmmen |
-c:a copy |
Kopierar ljudet utan kvalitetsändring |
-b:a 64k |
Ställer in förstörande bithastighet |
Föredra kommando 4 framför 3 om videoljudet redan är AAC, eftersom ursprunglig kvalitet bevaras. För telefonljud på 8 kHz, utelämna -ar 16000 så att du inte samplar upp.
Ingen kommandorad? whispertranscribe.ai:s ljud- och video-till-MP3-omvandlare extraherar ljud från MP4, MOV, MKV, WEBM eller AVI i webbläsaren. Sidan säger att den använder WebAssembly och behandlar filer i webbläsaren utan uppladdning.
Stora filer: håll dig under 5 GB och 10 timmar
- För stor men under 10 timmar: vanligen video eller högupplöst WAV. Extrahera ljudet (kommando 4 eller webbläsarverktyget) eller konvertera WAV till FLAC (kommando 2).
- Längre än 10 timmar: uppladdningssidan säger ”För närvarande kan vi bara behandla filer upp till 10 timmar. Korta filen till 10 timmar eller mindre och försök igen.” Dela filen. Delningskommandot utan omkodning i vår MP3-till-text-guide fungerar även på WAV; vi testade det på en WAV. Kontrollera skarvarna när du slår ihop texten.
- Långsam anslutning: en timme MP3 vid 64 kbps är cirka 28,8 MB mot 635 MB för stereo-WAV i CD-kvalitet. Behåll det förlustfria originalet i arkivet.
Felsökning av ljudformat
| Problem | Trolig orsak | Prova detta |
|---|---|---|
| ”Inget ljud upptäcktes. Filen kan vara skadad. Kontrollera filen och försök igen.” (visas på våra uppladdningssidor) | Skadad fil, video exporterad utan ljud eller tomt ljudspår | Spela lokalt; kör ffprobe-kontrollen ovan (ingen utdata betyder ingen ljudström); exportera om från originalappen |
| Uppladdning nekas som för lång | Filen överstiger 10 timmar | Dela i delar om högst 10 timmar |
| Filen är för stor | Video eller högupplöst flerkanalig WAV | Extrahera ljudet eller konvertera WAV till FLAC |
| WAV över 4 GB öppnas eller laddas inte upp | Klassisk WAV-storleksgräns | Exportera om som RF64 eller FLAC, eller dela |
| En talare är mycket tystare | Varje person ligger på egen kanal med olika nivå | Dela kanalerna (kommando 5) och transkribera separat |
| Förvrängda, knastrande toppar | Klippning under inspelning | Kan inte repareras; sänk ingångsnivån nästa gång |
| Telefonljud är fortfarande dåligt efter 48 kHz-konvertering | Uppsampling tillför ingen information | Ladda upp originalet; prova ”Noise / Low-Quality Audio/Video” om det erbjuds |
Var passar whispertranscribe.ai in?
whispertranscribe.ai är ett transkriberingsverktyg drivet av OpenAI:s Whisper-modeller i webbläsaren (ingen app, inget API, ingen mänsklig korrektur). Gratis ljud-till-text-verktyget och andra uppladdningssidor listar MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG och MPEG.
- Gränser: filer upp till 5 GB och 10 timmar.
- Språk: över 130 språk, många med ”Noise / Low-Quality Audio/Video”.
- Noggrannhet: upp till 99 % vid tydligt ljud. Brus, avstånd, accenter och överlapp sänker den.
- Talare: aktivera Speaker Detection före transkribering.
- Export: DOCX, PDF, TXT, CSV, SRT och VTT.
- Integritet: integritetspolicyn säger att uppladdade original raderas efter behandling och extraherade MP3-filer normalt sparas i 30 dagar.
För specifika inspelningar, se MP3-filer, röstmemon, telefonsamtal, intervjuer och föreläsningar och seminarier. Prova en fil på gratis sida utan konto (gränserna anges där). Betalplaner från 9,99 USD/månad vid årsbetalning (priser). Resten finns på funktionssidan.
Vanliga frågor
Vilket är det bästa ljudformatet för transkribering?
WAV eller FLAC är bäst när du styr inspelningen, helst mono vid minst 16 kHz och 16 bitar. Har du redan en komprimerad fil som MP3, M4A eller Opus, ladda upp den utan konvertering. Inspelningskvalitet – nära mikrofon, lite bakgrundsbrus och ingen klippning – är vanligen viktigare än vilket format du väljer.
Är WAV bättre än MP3 för transkribering?
WAV inspelat från källan bevarar mer detaljer än MP3 och Google säger att förstörande kodekar som MP3 kan minska igenkänningens noggrannhet. Skillnaden är ofta liten för tydligt tal och större för brusiga inspelningar. En WAV skapad från MP3 är inte bättre eftersom bortkastade detaljer är borta. Spela in i WAV eller FLAC när du kan och ladda upp MP3 som de är.
Vilken samplingsfrekvens ska jag använda?
Använd 16 kHz eller mer. Google rekommenderar minst 16 000 Hz för taligenkänning och OpenAI Whisper omvandlar allt ljud till 16 kHz mono före behandling. Inspelning vid 44,1 eller 48 kHz går bra och är vanligt. Höj inte en lägre frekvens efteråt: telefoninspelning på 8 kHz bör laddas upp vid 8 kHz eftersom uppsampling ökar filstorleken utan att tillföra talinformation.
Ska jag spela in i mono eller stereo?
Använd mono när alla delar en mikrofon. Whisper mixar ändå stereo till mono, så samma röst i stereo fördubblar bara filstorleken. Behåll stereo eller flera spår när varje talare har en egen kanal, som vid samtalsinspelning eller en mikrofon per gäst. Google rekommenderar separat transkribering av separata kanaler, som kan delas med FFmpeg.
Hur stor är en WAV-fil per minut?
Det beror på inställningarna: multiplicera samplingsfrekvens med byte per sampel och antal kanaler. En mono-WAV vid 16 kHz och 16 bitar ger 16 000 × 2 × 1 = 32 000 byte per sekund, cirka 1,92 MB per minut eller 115,2 MB per timme. Stereo i CD-kvalitet, 44,1 kHz och 16 bitar, är cirka 10,58 MB per minut eller 635 MB per timme.
Kan jag ladda upp video i stället för att extrahera ljudet?
Ja. Transkriberingsverktyg läser ljudspåret och ignorerar bilden, så MP4, MOV, MKV eller WEBM ger samma transkript som det extraherade ljudet. Videon ökar bara uppladdningsstorleken. Extrahera ljudet när filen närmar sig storleksgränsen eller anslutningen är långsam, exempelvis med FFmpegs -vn -c:a copy som bevarar ljudkvaliteten. På whispertranscribe.ai kan du ladda upp video som den är och exportera DOCX, TXT, SRT eller VTT.
Har du en inspelning redo? Ladda upp den som den är till whispertranscribe.ai:s gratis ljud-till-text-verktyg: välj bland över 130 språk, aktivera Speaker Detection och ladda ner DOCX, TXT, SRT eller VTT. Filer upp till 5 GB och 10 timmar.
Källor
- Google Cloud: Bästa praxis för Speech-to-Text (taldata)
- Google Cloud: Optimera ljudfiler för Speech-to-Text
- OpenAI: whisper/audio.py i Whisper-förrådet på GitHub
- FFmpeg: Dokumentation för kommandoraden och channelsplit-filtret
- Library of Congress: WAVE Audio File Format (fdd000001)
- Library of Congress: AMR, Adaptive Multi-Rate Speech Codec (fdd000254)
