whispertranscribe.ai ஆசிரியர் குழு · கடைசிப் புதுப்பிப்பு நவம்பர் 2026 · படிக்க 12 நிமிடங்கள்
பதிவு உங்கள் கட்டுப்பாட்டில் இருந்தால் உரைமாற்றத்துக்கான சிறந்த ஒலி வடிவம் 16 kHz அல்லது அதற்கு மேல் மோனோவில் பதிவான இழப்பில்லா WAV (16-பிட் PCM) அல்லது FLAC. ஏற்கெனவே MP3, M4A அல்லது காணொளிக் கோப்பு இருந்தால் அப்படியே பதிவேற்றுங்கள். சுருக்கப்பட்ட கோப்பை மாற்றுவதால் இழந்த நுணுக்கம் திரும்பாது. மைக்கின் தூரமும் சத்தமும் முடிவை அதிகமாகப் பாதிக்கும்.
பதிவு பொத்தானை அழுத்தும் முன் என்ன தேர்வுசெய்வது, கொடுக்கப்பட்ட கோப்பை என்ன செய்வது, கோப்பு அளவுச் சூத்திரங்கள், சூழலுக்கு ஏற்ற அமைப்புகள், FFmpeg கட்டளைகள், சிக்கல்களுக்கான தீர்வுகள் ஆகியவை கீழே உள்ளன.
வெளியீட்டாளர் குறிப்பு. இந்த வழிகாட்டியை whispertranscribe.ai வெளியிடுகிறது. தொழில்நுட்பக் கூற்றுகளுக்கு Google Cloud, OpenAI-இன் Whisper குறியீடு, FFmpeg அல்லது Library of Congress இணைப்புகள் தரப்பட்டுள்ளன. மூலக் கட்டுரைக்குத் துல்லியச் சோதனை நடத்தப்படவில்லை. ஒரு வடிவம் குறிப்பிட்ட சதவிகிதத் துல்லியத்தைச் சேர்க்கும் என்ற உறுதிமொழி இல்லை.
சுருக்கம்: உரைமாற்றத்துக்குச் சிறந்த ஒலி வடிவம்
எல்லாவற்றுக்கும் ஒரே சிறந்த வடிவம் தேடாமல் உங்கள் பணியின் கட்டத்துக்கு ஏற்பத் தேர்ந்தெடுங்கள்.
| உங்கள் சூழல் | சிறந்த தேர்வு | காரணம் |
|---|---|---|
| பதிவி அல்லது செயலியை அமைக்கிறீர்கள் | WAV (16-பிட்) அல்லது FLAC, மோனோ, 16 kHz அல்லது மேல் | பேச்சு அறிதலுக்கு இழப்பில்லா FLAC அல்லது LINEAR16-ஐ Google பரிந்துரைக்கிறது |
| பதிவு செய்யும்போதே சிறிய கோப்புகள் தேவை | மிதமான பிட் வீதத்தில் பேச்சுக்கு ஏற்ற இழப்புள்ள கோடெக் | பேச்சுக்கான Google-இன் விருப்ப வரிசை AMR-WB, Ogg Opus, Speex |
| ஏற்கெனவே MP3, M4A அல்லது Opus கோப்பு உள்ளது | அசலைப் பதிவேற்றுங்கள் | மறுகுறியாக்கம் இழந்த தகவலைச் சேர்க்காது |
| காணொளி உள்ளது (MP4, MOV, MKV) | பதிவேற்றுங்கள். மிகப் பெரியதெனில் ஒலியைப் பிரித்தெடுங்கள் | ஒலித் தடம் மட்டுமே பயன்படும் |
| ஒவ்வொரு பேச்சாளரும் தனித் தடத்தில் பதிவானார் | தடங்களை வைத்திருங்கள் | ஒவ்வொருவருக்கும் தனித் தடம் இருந்தால் சேனல்களைத் தனித்தனியாக அனுப்ப Google அறிவுறுத்துகிறது |
வடிவம் பற்றிக் கவலைப்பட வேண்டாத சூழல்: தொலைபேசிக் குரல் குறிப்பு, வெளியான பாட்காஸ்ட் பகுதி, Zoom அல்லது Teams பதிவு. கோப்பைப் பதிவேற்றி, சரியான பேச்சு மொழியைத் தேர்வுசெய்து, பெயர்களைச் சரிபார்ப்பதில் நேரம் செலவிடுங்கள்.
வடிவம், கோடெக், கொள்கலன்: கோப்பு நீட்சி மறைப்பது என்ன?
நீட்சி கோப்பின் கொள்கலனைக் குறிக்கும். சுருக்க முறையை எப்போதும் காட்டாது. Google-இன் ஒலியை மேம்படுத்தும் பயிற்சி கோடெக்கும் கோப்பு வடிவமும் வெவ்வேறு என்று தெளிவுபடுத்துகிறது. மூன்று பொதுவான எடுத்துக்காட்டுகள்:
- WAV பொதுவாகச் சுருக்கப்படாத நேரியல் PCM வைத்திருக்கும். வேறு குறியாக்கங்களும் இருக்கலாம் (Library of Congress, WAVE).
- M4A இழப்புள்ள AAC அல்லது இழப்பில்லா Apple Lossless (ALAC) வைத்திருக்கலாம்.
- OGG பொதுவாக Opus அல்லது Vorbis கொண்ட கொள்கலன். இரண்டும் இழப்புள்ளவை.
கோப்பில் இருப்பதை அறிய FFmpeg-இன் ffprobe மூலம் ஒலித் தடங்களை மட்டும் பாருங்கள்.
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
மூலக் கட்டுரைக்காக FFmpeg 7.1.5-இல் சிறிய சோதனைக் காணொளியில் இது இயக்கப்பட்டது. ஒவ்வோர் ஒலித் தடத்துக்கும் ஒரு வரி வந்தது. ஒலி நீக்கப்பட்ட நகலில் எதுவும் வரவில்லை. பதிவேற்றும் முன் ஒலித் தடமில்லாத கோப்பைக் கண்டுபிடிக்க இது விரைவான வழி.
உரைமாற்றத்துக்கான ஒலி வடிவங்களின் ஒப்பீடு
கீழுள்ள அனைத்து வடிவங்களிலும் உரைமாற்றம் செய்யலாம். எவ்வளவு நுணுக்கம் எஞ்சியிருக்கிறது, கோப்பு அளவு எவ்வளவு என்பது மாறும். அடுத்த பகுதிச் சூத்திரங்களிலிருந்து அளவுகள் கணக்கிடப்பட்டன (1 MB = 1,000,000 பைட்டுகள்).
| வடிவம் | இழப்புள்ளதா, இழப்பில்லாததா? | வழக்கமான மூலம் | நிமிடத்துக்கு அளவு (மாதிரி அமைப்பு) | உரைமாற்றத்தின் மீதான தாக்கம் | என்ன செய்யலாம் |
|---|---|---|---|---|---|
| WAV (PCM) | சுருக்கப்படாதது | களப் பதிவிகள், ஒலித் தொகுப்பிகள் | 16 kHz, 16-பிட், மோனோவில் 1.92 MB. 44.1 kHz, 16-பிட், ஸ்டீரியோவில் 10.58 MB | மைக் பதிவுசெய்த அனைத்தையும் வைக்கும் | முதன்மைப் பிரதிக்குச் சிறந்தது. நீண்ட பதிவில் அளவைக் கவனியுங்கள் |
| FLAC | இழப்பில்லாமல் சுருக்கப்பட்டது | காப்பகங்கள், தொகுப்பி ஏற்றுமதிகள் | அதே WAV-ஐ விடச் சிறியது. சேமிப்பு மாறும் | WAV போன்ற அதே ஒலி | இடத்தைச் சேமிக்க WAV-க்கு மாற்றாகப் பயன்படுத்துங்கள் |
| AIFF / ALAC / CAF | AIFF பொதுவாகச் சுருக்கமற்றது, ALAC இழப்பில்லாதது, CAF இரண்டையும் வைத்திருக்கலாம் | Mac, iPhone செயலிகள் | AIFF: அதே அமைப்பில் WAV அளவு | உள்ளேயுள்ள கோடெக்கைப் பொறுத்தது | அப்படியே பதிவேற்றுங்கள் |
| MP3 | இழப்புள்ளது | பாட்காஸ்ட்கள், பதிவிறக்கங்கள் | 128 kbps-இல் 0.96 MB | இழப்புள்ள கோடெக் துல்லியத்தைக் குறைக்கலாம் என்கிறது Google | அப்படியே பதிவேற்றுங்கள் |
| M4A / AAC | பொதுவாக இழப்புள்ளது (AAC) | குரல் குறிப்புகள், காணொளி ஒலித் தடங்கள் | 64 kbps-இல் 0.48 MB | MP3-இன் அதே எச்சரிக்கை | அசலைப் பதிவேற்றுங்கள் |
| OGG / Opus | இழப்புள்ளது | செய்திச் செயலிக் குரல் குறிப்புகள், இணைய அழைப்புகள் | 32 kbps-இல் 0.24 MB | பேச்சுக்கான Google-இன் விருப்ப இழப்புள்ள பட்டியலில் Opus உள்ளது | அப்படியே பதிவேற்றுங்கள் |
| AMR (குறுகிய அலைவரிசை) | இழப்புள்ளது, பேச்சுக்கு மட்டும் | பழைய தொலைபேசிகள், அழைப்புப் பதிவிகள் | 12.2 kbps-இல் சுமார் 0.09 MB | 200 முதல் 3,400 Hz வரை மட்டுமே (Library of Congress, AMR) | அப்படியே பதிவேற்றுங்கள். மாதிரி வீதத்தை உயர்த்தாதீர்கள் |
காணொளியிலும் அதே முறைதான். கருவி ஒலித் தடத்தைப் படிக்கும். பதிவேற்ற அளவு மட்டும் அதிகரிக்கும்.
ஒலிக்கோப்பு எவ்வளவு பெரிது? அளவுச் சூத்திரங்கள்
பதிவுக்கும் பதிவேற்றத்துக்கும் முன் கோப்பு அளவைக் கணிக்க இரு சூத்திரங்கள் உதவும்.
சுருக்கப்படாத PCM (WAV, AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels
கணக்கு எடுத்துக்காட்டுகள்:
- 16 kHz, 16-பிட், மோனோ: 16,000 × 2 × 1 = நொடிக்கு 32,000 பைட்டுகள். × 60 = 1,920,000 பைட்டுகள், நிமிடத்துக்கு சுமார் 1.92 MB அல்லது மணிநேரத்துக்கு 115.2 MB.
- 44.1 kHz, 16-பிட், ஸ்டீரியோ: 44,100 × 2 × 2 = நொடிக்கு 176,400 பைட்டுகள், நிமிடத்துக்கு சுமார் 10.58 MB அல்லது மணிநேரத்துக்கு 635 MB.
- 48 kHz, 24-பிட், ஸ்டீரியோ: 48,000 × 3 × 2 = நொடிக்கு 288,000 பைட்டுகள் அல்லது மணிநேரத்துக்கு 1,036.8 MB.
நிலையான பிட் வீதத்தில் இழப்புள்ள வடிவம் (MP3, AAC, Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (அதாவது kbps × 7,500)
- 128 kbps: 128 × 7,500 = 960,000 பைட்டுகள், நிமிடத்துக்கு சுமார் 0.96 MB அல்லது மணிநேரத்துக்கு 57.6 MB.
- 64 kbps: நிமிடத்துக்கு 0.48 MB. 32 kbps: நிமிடத்துக்கு 0.24 MB.
கோப்புத் தலைப்புகளால் உண்மையான கோப்புகள் சற்றுப் பெரிதாகும். மாறும் பிட் வீதக் கோப்புகளின் அளவு சராசரியைச் சுற்றி மாறும். இரும அலகுகளில் (MiB) காட்டும் கணினிகளில் எண் சுமார் 5% குறைவாகத் தெரியும்.
5GB, 10 மணிநேரப் பதிவேற்ற வரம்பில் இந்த எண்களின் பொருள்
whispertranscribe.ai 5GB, 10 மணிநேரம் வரையிலான கோப்புகளை ஏற்கிறது. 5GB என்பதை 5,000,000,000 பைட்டுகளாகக் கொண்டு பொதுவான அமைப்புகளின் கணக்கு:
| அமைப்பு | 1 மணிநேரம் | 10 மணிநேரம் | 10 மணிநேரம் 5GB-க்குள் வருமா? |
|---|---|---|---|
| WAV, 16 kHz, 16-பிட், மோனோ | 115.2 MB | 1.15 GB | ஆம் |
| WAV, 44.1 kHz, 16-பிட், ஸ்டீரியோ | 635 MB | 6.35 GB | இல்லை. சுமார் 7.9 மணிநேரம் பொருந்தும் |
| WAV, 48 kHz, 24-பிட், ஸ்டீரியோ | 1.04 GB | 10.37 GB | இல்லை. சுமார் 4.8 மணிநேரம் பொருந்தும் |
| MP3, 128 kbps | 57.6 MB | 576 MB | ஆம் |
| Opus, 32 kbps | 14.4 MB | 144 MB | ஆம் |
பழைய WAV வடிவத்துக்கும் தனி உச்சம் உண்டு. அதன் 32-பிட் அளவுப் புலம் சுமார் 4 GB வரை மட்டுமே இடம் தரும். நீண்ட பதிவுகளுக்கு RF64 நீட்சி தேவை (Library of Congress). மிக நீண்ட இழப்பில்லாப் பதிவுகளுக்கு FLAC அல்லது 16 kHz மோனோ WAV மூலம் இரு சிக்கலையும் தவிர்க்கலாம்.
ஒலி வடிவத்தைவிட முக்கியமானவை
மைக்கின் அருகில் தெளிவாகப் பேசி MP3 ஆகச் சேமித்த பதிவு, சத்தமுள்ள அறையின் எதிர்முனையிலிருந்து எடுத்த இழப்பில்லாப் பதிவைவிடப் பொதுவாக நல்ல பலனைத் தரும். இந்த அமைப்புகளும் பழக்கங்களும் பெரும்பாலான முடிவுகளைத் தீர்மானிக்கும்.
மாதிரி வீதம்: 16 kHz போதுமா?
பேச்சுக்குப் போதும். Google 16,000 Hz அல்லது அதற்கு மேல் பரிந்துரைக்கிறது (சிறந்த நடைமுறைகள்). குறைந்த வீதங்களில் 8 kHz-க்கு மேற்பட்ட தகவல் மிகக் குறைவாகவோ இல்லாமலோ இருக்கும் என அதன் பயிற்சி விளக்குகிறது. OpenAI-இன் திறந்த மூல Whisper குறியீடு ஒவ்வோர் உள்ளீட்டையும் மாதிரிக்கு அனுப்புமுன் 16,000 Hz மோனோவாக மாற்றுகிறது (whisper/audio.py). 44.1 அல்லது 48 kHz-இல் பதிவுசெய்யலாம். கோப்பு பெரிதாகும்.
பிறகு வீதத்தை உயர்த்திப் பயனில்லை. 8 kHz கோப்பை 44.1 kHz ஆக உயர்த்தினாலும் உள்ளே சுமார் 4 kHz அளவு அலைவரிசைதான் இருக்கும் என Google குறிப்பிடுகிறது. பொதுவாக 8,000 Hz-இல் இருக்கும் தொலைபேசி ஒலியை அசல் வீதத்திலேயே பதிவேற்றுங்கள்.
பிட் ஆழம்: 16-பிட் அல்லது 24-பிட்?
Google 16 பிட் அல்லது அதிகம் பரிந்துரைக்கிறது. ஒலி அளவு வரம்பு பதிவிலேயே தீர்மானிக்கப்பட்டதால் 8-பிட் ஒலியை 16-பிட் ஆக்குவதால் பலனில்லை. உங்கள் பதிவியிலிருந்து வரும் 24-பிட் வடிவத்தை வைத்திருக்கலாம். 16-பிட்டை 24-பிட் ஆக்கினால் தகவல் சேராது.
சுருக்கப்பட்ட கோப்பின் பிட் வீதம்
நல்ல உரைமாற்றத்தை உறுதிப்படுத்தும் பிட் வீதத்தை எந்தத் தரநிலையும் நிர்ணயிக்கவில்லை. Google அறிவுரை கோடெக் வகை பற்றியது. இழப்புள்ள கோடெக்குகள் துல்லியத்தைக் குறைக்கலாம். அப்படிச் சுருக்கும்போது சத்தம், எதிரொலியின் பாதிப்பு அதிகம். சுருக்க வேண்டுமானால் மிதமான அமைப்பில் ஒருமுறை செய்யுங்கள். WAV → MP3 → OGG போன்ற தொடர் மாற்றங்களைத் தவிருங்கள்.
மைக் தூரம், சத்தம், ஒலி அளவு
Google-இன் முன்செயலாக்க அறிவுரை:
- மைக்கைப் பேச்சாளருக்கு முடிந்தவரை அருகில் வையுங்கள், குறிப்பாகப் பின்னணிச் சத்தம் இருந்தால்.
- ஒலி வெட்டிச் சிதைவதைத் தவிருங்கள். சிதைந்த உச்ச ஒலியைப் பிறகு சரிசெய்ய முடியாது.
- செயலி அனுமதித்தால் தானியங்கு ஒலி ஆதாயக் கட்டுப்பாடு, இரைச்சல் ஒடுக்கம் ஆகியவற்றை முடக்குங்கள். அறிதலுக்கு முன் இரைச்சலை ஒடுக்குவது பொதுவாகத் துல்லியத்தைக் குறைக்கும் என்று Google சொல்கிறது.
மோனோ அல்லது ஸ்டீரியோ?
ஒரே மைக்கைப் பகிரும்போது மோனோ போதும். Whisper ஸ்டீரியோவை மோனோவாகக் கலக்கும். இரண்டு பக்கங்களிலும் ஒரே குரல் இருந்தால் ஸ்டீரியோ பதிவேற்றத்தை இரட்டிப்பாக்கும். பல அழைப்புப் பதிவிகள் போலவோ, சேனலுக்கு ஒரு கிளிப் மைக் போலவோ, ஒவ்வொரு பக்கத்திலும் வேறு நபர் இருந்தால் ஸ்டீரியோ வைத்திருப்பது பயனுள்ளது. அப்போது ஒவ்வொரு சேனலையும் தனியாகவும், ஏற்கெனவே கலந்த பதிவை அப்படியேவும் அனுப்ப Google அறிவுறுத்துகிறது.
பல்தடப் பதிவுகள்
பாட்காஸ்ட், தொலைநேர்காணல் கருவிகள் பெரும்பாலும் ஒவ்வொருவரையும் தனித் தடத்தில் பதிவுசெய்யும். ஒரு கலப்புத் தடத்தை ஏற்றுமதி செய்து பேச்சாளர் அடையாளத்தை இயக்கலாம் (எளிய வழி). அல்லது தடங்களைத் தனித்தனியாக உரைமாற்றி நேரக்குறியீட்டில் இணைக்கலாம் (தெளிவான ஒலி, ஆனால் நீங்களே இணைக்க வேண்டும்).
சூழலுக்கு ஏற்ப வடிவமும் அமைப்புகளும்
பெரும்பாலும் கோப்பு ஏற்கெனவே இருக்கும். அப்போது வழக்கமான தீர்வு அப்படியே பதிவேற்றுவது.
| சூழல் | தேர்வு இருந்தால் பதிவின் அமைப்பு | ஏற்கெனவே இருந்தால் | பதிவேற்றும் முன் | கவனிக்க வேண்டியது |
|---|---|---|---|---|
| நேரில் நேர்காணல் | WAV அல்லது FLAC, மைக்குக்கு மோனோ, 44.1 அல்லது 48 kHz | தொலைபேசி M4A அல்லது MP3 | பெயர்கள், துறைச் சொற்களைக் குறிக்கவும் | நேர்காண்பவரைவிட விருந்தினர் மெதுவாகப் பேசுவது |
| தொலைநேர்காணல் அல்லது பாட்காஸ்ட், தனித் தடம் | பேச்சாளர் ஒவ்வொருவருக்கும் தனி இழப்பில்லாத தடம் | தனித்தனி WAV, கலந்த MP3 | கலப்பு அல்லது தனித்தடத்தைத் தேர்வுசெய்யுங்கள் | கலப்புத் தடத்தில் ஒரே நேரத்தில் பலர் பேசுவது |
| கூட்டப் பதிவு (Zoom, Teams, Meet) | தேவையான ஒப்புதல், ஏற்பாட்டாளரின் அனுமதியுடன் தளத்தில் இருந்தால் ஒலி மட்டும் எடுக்கும் தேர்வு | MP4 அல்லது M4A | காணொளி மிகப் பெரியதாக இருந்தால் மட்டும் ஒலியை எடுக்கவும் | முழு அறைக்கும் ஒரு மடிக்கணினி மைக் |
| தொலைபேசிக் குரல் குறிப்பு | செயலியின் இயல்பான அமைப்பு | .m4a | அசலை ஏற்றுமதி செய்யுங்கள் | பதிவின்போது பையில் தொலைபேசி |
| வெளியிடப்பட்ட பாட்காஸ்ட் பகுதி | பொருந்தாது | வெளிவந்த MP3 | வெளியீட்டுக்கு முந்தைய WAV அல்லது FLAC இருந்தால் பயன்படுத்துங்கள் | தொடக்க இசை. மொழியை அமைக்கவும் |
| வகுப்புரை அல்லது கருத்தரங்கு | மோனோ, 16-பிட், ஆசிரியருக்கு அருகில் மைக் | நீண்ட MP3 அல்லது காணொளி | நீளம் 10 மணிநேரத்துக்குள் இருக்கிறதா எனப் பாருங்கள் | மைக்கிற்கு வெளியே கேட்கும் பார்வையாளர் கேள்விகள் |
| தொலைபேசி அழைப்புப் பதிவு | பதிவியின் இயல்பான அமைப்பு | AMR, M4A அல்லது 8 kHz WAV | அசல் மாதிரி வீதத்தை வைத்திருங்கள் | பதிவுக்கு முன் தேவையான ஒப்புதல். மாதிரி வீதத்தை உயர்த்தாதீர்கள் |
அழைப்பைப் பதிவுசெய்வதில் ஒப்புதல் விதிகள் உள்ளன. தொலைபேசி அழைப்பைப் பதிவுசெய்வது மற்றும் மாநில வாரியான அழைப்புப் பதிவுச் சட்டங்கள் வழிகாட்டிகளில் அவை உள்ளன. குறிப்பிட்ட சூழலில் சட்ட ஆலோசனை பெறுங்கள்.
FFmpeg மூலம் உரைமாற்றத்துக்கு ஒலியை மாற்றுவது
காரணம் இருந்தால் மட்டுமே மாற்றுங்கள். கோப்பு மிகப் பெரியது, காணொளியிலிருந்து சிறிய ஒலி தேவை, கருவி கோடெக்கை மறுக்கிறது, அல்லது பேச்சாளர்களுக்குத் தனித்தனிக் கோப்புகள் தேவை போன்றவை. வடிவத்தை மட்டும் மாற்றித் தரத்தை மேம்படுத்த முடியாது.
மூலக் கட்டுரைக்காக 11 நொடி பொதுக்களப் பேச்சுத் துண்டிலும் அதிலிருந்து உருவாக்கிய சிறிய சோதனைக் காணொளியிலும் FFmpeg 7.1.5 மூலம் ஒவ்வொரு கட்டளையும் இயக்கப்பட்டது. கட்டளை முடிந்ததா, ffprobe எதிர்பார்த்த கோடெக், மாதிரி வீதம், சேனல்களைக் காட்டுகிறதா என்பதையே பார்த்தார்கள். விருப்பங்கள் FFmpeg ஆவணத்தில் விளக்கப்பட்டுள்ளன.
1. எந்தக் கோப்பையும் 16 kHz மோனோ 16-பிட் WAV ஆக மாற்றுதல் (Whisper உள்ளே மாற்றும் அதே அமைப்பு):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. எந்தக் கோப்பையும் 16 kHz மோனோ FLAC ஆக மாற்றுதல் (இழப்பில்லாதது, பொதுவாக WAV-ஐ விடச் சிறியது):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. காணொளியிலிருந்து சிறிய மோனோ MP3 (ஒரு இழப்புள்ள மாற்றம் கூடும். அளவு மிகவும் முக்கியமானால் பயன்படுத்துங்கள்):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. மறுகுறியாக்கமின்றிக் காணொளியிலிருந்து ஒலியைப் பிரித்தெடுத்தல் (MP4-இல் பொதுவான AAC ஒலியாக இருந்தால் இயங்கும்):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. இரு சேனல் பதிவைப் பேச்சாளருக்கு ஒரு கோப்பாகப் பிரித்தல் (channelsplit வடிகட்டி பயன்படுத்துகிறது):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| விருப்பம் | என்ன செய்கிறது? |
|---|---|
-ac 1 |
ஒலியை ஒரே சேனலாகக் கலக்கிறது |
-ar 16000 |
வெளியீட்டு மாதிரி வீதத்தை 16,000 Hz ஆக அமைக்கிறது |
-c:a pcm_s16le |
16-பிட் சுருக்கமில்லா PCM (வழக்கமான WAV) எழுதுகிறது |
-vn |
காணொளித் தடத்தை நீக்குகிறது |
-c:a copy |
தரம் மாறாமல் ஒலியை அப்படியே நகலெடுக்கிறது |
-b:a 64k |
இழப்புள்ள சுருக்கத்தின் பிட் வீதத்தை அமைக்கிறது |
காணொளி ஒலி ஏற்கெனவே AAC ஆக இருந்தால் கட்டளை 3-க்குப் பதிலாக 4-ஐப் பயன்படுத்துங்கள். அசல் தரம் இருக்கும். 8 kHz தொலைபேசி ஒலிக்கு மாதிரி வீதம் உயராமல் -ar 16000 ஐ விடுங்கள்.
கட்டளை வரி தேவையில்லையா? whispertranscribe.ai-இன் ஒலி, காணொளியை MP3 ஆக மாற்றும் கருவி உலாவியிலேயே MP4, MOV, MKV, WEBM, AVI கோப்புகளிலிருந்து ஒலித் தடத்தை எடுக்கிறது. WebAssembly பயன்படுத்துவதாகவும் கோப்புகள் பதிவேற்றப்படாமல் உலாவியிலேயே செயலாக்கப்படுவதாகவும் பக்கம் கூறுகிறது.
பெரிய கோப்புகளை 5GB மற்றும் 10 மணிநேரத்துக்குள் வைத்திருப்பது
- அளவு அதிகம், ஆனால் 10 மணிநேரத்துக்குக் குறைவு: பொதுவாகக் காணொளி அல்லது உயர்தர WAV. ஒலியைப் பிரித்தெடுங்கள் (கட்டளை 4 அல்லது உலாவிக் கருவி) அல்லது WAV-ஐ FLAC ஆக மாற்றுங்கள் (கட்டளை 2).
- 10 மணிநேரத்துக்கு மேல்: பதிவேற்றப் பக்கச் செய்தியின் பொருள், «தற்போது 10 மணிநேரம் வரையிலான கோப்புகளை மட்டுமே செயலாக்க முடியும். 10 மணிநேரமாக அல்லது அதற்குக் குறைவாகச் சுருக்கி மீண்டும் முயலுங்கள்.» கோப்பைப் பிரியுங்கள். MP3 உரைமாற்ற வழிகாட்டியில் உள்ள மறுகுறியாக்கமற்ற பிரிப்புக் கட்டளை WAV-க்கும் பொருந்தும். மூலக் கட்டுரைக்காக மாதிரி WAV-இல் சோதிக்கப்பட்டது. உரையை இணைக்கும்போது சந்திப்புகளைச் சரிபாருங்கள்.
- மெதுவான இணையம்: 64 kbps MP3 ஒரு மணிநேரத்துக்கு சுமார் 28.8 MB. CD போன்ற ஸ்டீரியோ WAV 635 MB. இழப்பில்லாத அசலைக் காப்பகமாக வைத்திருங்கள்.
ஒலி வடிவச் சிக்கல்களும் தீர்வுகளும்
| சிக்கல் | சாத்தியமான காரணம் | முயன்று பாருங்கள் |
|---|---|---|
| «ஒலி கண்டறியப்படவில்லை. கோப்பு சேதமடைந்திருக்கலாம். சரிபார்த்து மீண்டும் முயலுங்கள்.» (எங்கள் பதிவேற்றப் பக்கத்தில் காட்டப்படும்) | சேதமான கோப்பு, ஒலி சேர்க்காத காணொளி ஏற்றுமதி அல்லது காலியான ஒலித் தடம் | சாதனத்தில் இயக்குங்கள். மேலேயுள்ள ffprobe சோதனையை இயக்குங்கள் (வெளியீடு இல்லை என்றால் ஒலித் தடம் இல்லை). மூலச் செயலியில் மீண்டும் ஏற்றுமதி செய்யுங்கள் |
| நீளம் காரணமாகப் பதிவேற்றம் மறுக்கப்படுகிறது | 10 மணிநேரத்துக்கு மேற்பட்ட கோப்பு | 10 மணிநேரம் அல்லது குறைவான பகுதிகளாகப் பிரியுங்கள் |
| கோப்பு மிகப் பெரியது | காணொளி அல்லது உயர் தெளிவுத்திறன் கொண்ட பல சேனல் WAV | ஒலியைப் பிரித்தெடுங்கள் அல்லது WAV-ஐ FLAC ஆக மாற்றுங்கள் |
| 4 GB-க்கு மேற்பட்ட WAV திறக்கவில்லை அல்லது பதிவேறவில்லை | பழைய WAV அளவு வரம்பு | RF64 அல்லது FLAC ஆக மீண்டும் ஏற்றுமதி செய்யுங்கள், அல்லது பிரியுங்கள் |
| ஒருவர் மற்றவரைவிட மெதுவாகக் கேட்கிறார் | நபர்கள் தனித்தனி சேனலில் வெவ்வேறு அளவுகளில் பதிவானார்கள் | சேனல்களைப் பிரித்து (கட்டளை 5) ஒவ்வொரு கோப்பையும் உரையாக மாற்றுங்கள் |
| உரத்த இடத்தில் முறிவு, சிதைவு | பதிவின்போது ஒலி வெட்டிச் சிதைந்தது | பிறகு சீர்செய்ய முடியாது. அடுத்த முறை உள்ளீட்டு ஆதாயத்தைக் குறைக்கவும் |
| 48 kHz ஆக மாற்றியும் தொலைபேசி ஒலி மோசம் | மாதிரி வீதம் உயர்த்துவது தகவலைச் சேர்க்காது | அசலைப் பதிவேற்றுங்கள். மொழிக்குக் கிடைத்தால் «Noise / Low-Quality Audio/Video» விருப்பத்தை முயலுங்கள் |
whispertranscribe.ai எங்கு பொருந்தும்?
whispertranscribe.ai OpenAI-இன் Whisper மாதிரிகள் மூலம் உலாவியில் உரைமாற்றம் செய்கிறது. செயலி, API, மனித மெய்ப்புத் திருத்தம் இல்லை. இலவச ஒலி உரைமாற்றக் கருவி மற்றும் பிற பதிவேற்றப் பக்கங்களில் இந்த வடிவங்கள் பட்டியலிடப்பட்டுள்ளன: MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG, MPEG.
- வரம்புகள்: 5GB, 10 மணிநேரம் வரையிலான கோப்புகள்.
- மொழிகள்: 130+ மொழிகள். பலவற்றுக்கு «Noise / Low-Quality Audio/Video» விருப்பங்கள்.
- துல்லியம்: தெளிவான ஒலியில் 99% வரை. சத்தம், தூரம், உச்சரிப்பு, ஒரே நேரத்தில் பேசுதல் ஆகியவை குறைக்கும்.
- பேச்சாளர்கள்: உரைமாற்றத்துக்கு முன் Speaker Detection இயக்குங்கள்.
- ஏற்றுமதி: DOCX, PDF, TXT, CSV, SRT, VTT.
- தனியுரிமை: செயலாக்கத்துக்குப் பின் அசல் பதிவேற்றங்கள் நீக்கப்படும், பிரித்தெடுத்த MP3 கோப்புகள் பொதுவாக 30 நாட்கள் வைக்கப்படும் என தனியுரிமைக் கொள்கை கூறுகிறது.
குறிப்பிட்ட பதிவுகளுக்கு MP3 கோப்புகள், குரல் குறிப்புகள், தொலைபேசி அழைப்புகள், நேர்காணல்கள், வகுப்புரைகள் மற்றும் கருத்தரங்குகள் ஆகிய பக்கங்களைப் பாருங்கள். கணக்கில்லா இலவசப் பக்கத்தில் ஒரு கோப்பை முயலுங்கள் (அங்கே வரம்புகள் உள்ளன). கட்டணத் திட்டங்கள் ஆண்டுக் கட்டணத்தில் மாதம் $9.99 முதல் (விலை). மற்றவை அம்சங்கள் பக்கத்தில் உள்ளன.
அடிக்கடி கேட்கப்படும் கேள்விகள்
உரைமாற்றத்துக்குச் சிறந்த ஒலி வடிவம் எது?
பதிவு உங்கள் கட்டுப்பாட்டில் இருந்தால் WAV அல்லது FLAC சிறந்தது. இயன்றால் மோனோ, 16 kHz அல்லது அதற்கு மேல், 16-பிட் ஆழம். ஏற்கெனவே MP3, M4A அல்லது Opus போன்ற சுருக்கப்பட்ட கோப்பு இருந்தால் அப்படியே பதிவேற்றுங்கள். மைக் அருகில் இருப்பது, குறைந்த பின்னணிச் சத்தம், ஒலி சிதையாமல் இருப்பது ஆகியவை வடிவத் தேர்வைவிடப் பொதுவாக முக்கியம்.
உரைமாற்றத்துக்கு WAV, MP3-ஐ விடச் சிறந்ததா?
மூலத்திலிருந்து பதிவான WAV, MP3-ஐ விட அதிக நுணுக்கத்தைப் பாதுகாக்கிறது. MP3 போன்ற இழப்புள்ள கோடெக்குகள் அறிதல் துல்லியத்தைக் குறைக்கலாம் என Google குறிப்பிடுகிறது. தெளிவான பேச்சில் வேறுபாடு சிறியது, சத்தமுள்ள பதிவில் அது அதிகம். MP3-இலிருந்து உருவான WAV அந்த MP3-ஐ விடச் சிறந்ததல்ல. இழந்த நுணுக்கம் திரும்பாது. முடிந்தால் WAV அல்லது FLAC-இல் பதிவுசெய்து MP3 இருந்தால் அப்படியே பதிவேற்றுங்கள்.
உரைமாற்றத்துக்கு என்ன மாதிரி வீதம் தேவை?
16 kHz அல்லது அதிகம் பயன்படுத்துங்கள். பேச்சு அறிதலுக்குக் குறைந்தது 16,000 Hz என Google பரிந்துரைக்கிறது. செயலாக்கத்துக்கு முன் OpenAI Whisper எல்லா ஒலியையும் 16 kHz மோனோவாக்குகிறது. 44.1 அல்லது 48 kHz வழக்கமான தேர்வு. பிறகு குறைந்த வீதத்தை உயர்த்த வேண்டாம். 8 kHz தொலைபேசிப் பதிவை 8 kHz-இலேயே பதிவேற்றுங்கள். வீதத்தை உயர்த்தினால் கோப்பு பெரிதாகும், பேச்சுத் தகவல் சேராது.
உரைமாற்றத்துக்காக மோனோவா ஸ்டீரியோவா?
அனைவரும் ஒரு மைக்கைப் பகிர்ந்தால் மோனோவில் பதிவு செய்யுங்கள். Whisper ஸ்டீரியோவை மோனோவாகக் கலக்கிறது. ஒரே குரலின் ஸ்டீரியோ நகல் கோப்பு அளவை இரட்டிப்பாக்கும். அழைப்புப் பதிவி அல்லது விருந்தினருக்குத் தனி மைக் போல ஒவ்வொரு பேச்சாளரும் தனிச் சேனலில் இருந்தால் ஸ்டீரியோ அல்லது பல்தடமாக வைத்திருங்கள். சேனல்களைத் தனியாக உரைமாற்ற Google அறிவுறுத்துகிறது. FFmpeg மூலம் பிரிக்கலாம்.
ஒரு நிமிட WAV கோப்பின் அளவு என்ன?
அமைப்புகளைப் பொறுத்தது. மாதிரி வீதம், ஒரு மாதிரிக்கான பைட்டுகள், சேனல்கள் ஆகியவற்றைப் பெருக்கினால் நொடிக்கான பைட்டுகள் கிடைக்கும். 16 kHz, 16-பிட் மோனோ WAV என்பது 16,000 × 2 × 1 = நொடிக்கு 32,000 பைட்டுகள், நிமிடத்துக்குச் சுமார் 1.92 MB அல்லது மணிநேரத்துக்கு 115.2 MB. CD போன்ற 44.1 kHz, 16-பிட் ஸ்டீரியோ நிமிடத்துக்குச் சுமார் 10.58 MB அல்லது மணிநேரத்துக்கு 635 MB.
ஒலியைப் பிரிக்காமல் காணொளியைப் பதிவேற்றலாமா?
ஆம். கருவிகள் ஒலித் தடத்தைப் படிக்கின்றன. MP4, MOV, MKV அல்லது WEBM கோப்பும் அதன் பிரித்தெடுத்த ஒலியும் ஒரே உரைப்பதிவைத் தரும். காணொளியில் பதிவேற்ற அளவு அதிகம். அளவு வரம்புக்கு அருகில் இருந்தாலோ இணைப்பு மெதுவாக இருந்தாலோ ஒலியை எடுங்கள். FFmpeg-இன் -vn -c:a copy அசல் ஒலித் தரத்தை வைத்திருக்கும். whispertranscribe.ai-இல் காணொளியை அப்படியே பதிவேற்றி DOCX, TXT, SRT அல்லது VTT ஆக ஏற்றுமதி செய்யலாம்.
பதிவு தயாரா? whispertranscribe.ai-இன் இலவச ஒலி உரைமாற்றக் கருவியில் அப்படியே பதிவேற்றுங்கள். 130+ மொழிகளில் ஒன்றைத் தேர்ந்தெடுத்து Speaker Detection இயக்கி DOCX, TXT, SRT அல்லது VTT பதிவிறக்குங்கள். 5GB மற்றும் 10 மணிநேரம் வரையிலான கோப்புகள்.
ஆதாரங்கள்
- Google Cloud: Speech-to-Text சிறந்த நடைமுறைகள் (பேச்சுத் தரவு வழங்குதல்)
- Google Cloud: Speech-to-Text-க்கு ஒலிக்கோப்புகளை மேம்படுத்துதல்
- OpenAI: Whisper GitHub களஞ்சியத்தில் whisper/audio.py
- FFmpeg: ffmpeg கட்டளை வரி ஆவணம் மற்றும் channelsplit வடிகட்டி
- Library of Congress: WAVE ஒலிக்கோப்பு வடிவம் (fdd000001)
- Library of Congress: AMR, Adaptive Multi-Rate Speech Codec (fdd000254)
