โดยทีมบรรณาธิการ whispertranscribe.ai · อัปเดตล่าสุด: พฤศจิกายน 2026 · อ่าน 12 นาที
รูปแบบเสียงที่ดีที่สุดสำหรับการถอดเสียงคือเสียงแบบไม่สูญเสียข้อมูล WAV (16-bit PCM) หรือ FLAC บันทึกแบบโมโนที่ 16 kHz ขึ้นไปเมื่อคุณควบคุมการบันทึกได้ หากมี MP3, M4A หรือไฟล์วิดีโออยู่แล้ว ให้อัปโหลดตามเดิม การแปลงไฟล์บีบอัดไม่สามารถกู้รายละเอียดที่หายไป และระยะไมโครโฟนกับเสียงรบกวนมีผลต่อผลลัพธ์มากกว่า
ด้านล่างอธิบายสิ่งที่ควรเลือกก่อนกดบันทึก วิธีจัดการไฟล์ที่ได้รับ สูตรขนาดไฟล์ การตั้งค่าตามสถานการณ์ คำสั่ง FFmpeg และตารางแก้ปัญหา
การเปิดเผยข้อมูล: whispertranscribe.ai เผยแพร่คู่มือนี้ ข้ออ้างทางเทคนิคเชื่อมไปยัง Google Cloud, โค้ด Whisper ของ OpenAI, FFmpeg หรือ Library of Congress เราไม่ได้ทดสอบความแม่นยำสำหรับบทความนี้ และไม่ได้รับประกันว่ารูปแบบใดเพิ่มความแม่นยำเป็นเปอร์เซ็นต์ตายตัว
คำตอบสั้น ๆ: รูปแบบเสียงที่ดีที่สุดสำหรับถอดเสียง
เลือกตามขั้นตอนการทำงาน ไม่ใช่ผู้ชนะเพียงรูปแบบเดียว
| สถานการณ์ | ตัวเลือกที่ดีที่สุด | เหตุผล |
|---|---|---|
| ตั้งค่าเครื่องบันทึกหรือแอป | WAV (16-bit) หรือ FLAC, mono, 16 kHz ขึ้นไป | Google แนะนำ FLAC หรือ LINEAR16 แบบไม่สูญเสียข้อมูลสำหรับรู้จำเสียง |
| ต้องการไฟล์เล็กขณะบันทึก | ตัวแปลงสัญญาณแบบสูญเสียข้อมูลที่เหมาะกับเสียงพูดและบิตเรตปานกลาง | Google จัดลำดับตัวแปลงแบบสูญเสียข้อมูลที่เหมาะกับเสียงพูด: AMR-WB, Ogg Opus, Speex |
| มี MP3, M4A หรือ Opus แล้ว | อัปโหลดต้นฉบับ | การเข้ารหัสใหม่กู้ข้อมูลไม่ได้ |
| มีวิดีโอ (MP4, MOV, MKV) | อัปโหลด หรือแยกเสียงหากไฟล์ใหญ่มาก | ใช้เฉพาะแทร็กเสียง |
| บันทึกผู้พูดแยกแทร็ก | เก็บแทร็กแยก | Google แนะนำส่งแต่ละช่องแยกเมื่อแต่ละคนมีช่องของตนเอง |
เมื่อไม่ต้องกังวลเรื่องรูปแบบ: บันทึกเสียงโทรศัพท์ พอดแคสต์ที่เผยแพร่แล้ว หรือไฟล์ Zoom หรือ Teams ให้อัปโหลด เลือกภาษาที่พูดให้ถูกต้อง และใช้เวลาตรวจชื่อแทน
รูปแบบ ตัวแปลงสัญญาณ และคอนเทนเนอร์: สิ่งที่นามสกุลไฟล์ซ่อนไว้
นามสกุลบอกคอนเทนเนอร์ ไม่ใช่วิธีบีบอัดเสมอไป บทสอนปรับเสียงของ Google ระบุว่าตัวแปลงสัญญาณกับรูปแบบไฟล์ไม่เหมือนกัน ตัวอย่างสามข้อ:
- WAV มักเก็บ linear PCM ที่ไม่บีบอัด แต่รองรับการเข้ารหัสอื่นได้ (Library of Congress, WAVE)
- M4A เก็บ AAC แบบสูญเสียข้อมูลหรือ Apple Lossless (ALAC) แบบไม่สูญเสียข้อมูลได้
- OGG เป็นคอนเทนเนอร์ที่มักเก็บ Opus หรือ Vorbis ซึ่งสูญเสียข้อมูลทั้งคู่
หากต้องการดูภายในไฟล์ ให้ใช้ ffprobe ของ FFmpeg ตรวจเฉพาะสตรีมเสียง:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
เราทดสอบด้วย FFmpeg 4.3 บน macOS กับวิดีโอสังเคราะห์ คำสั่งแสดงหนึ่งบรรทัดต่อสตรีมเสียง และไม่แสดงผลสำหรับวิดีโอที่ไม่มีแทร็กเสียง ซึ่งช่วยตรวจไฟล์ก่อนอัปโหลด
เปรียบเทียบรูปแบบเสียงสำหรับถอดเสียง
ทุกรูปแบบด้านล่างถอดเสียงได้ ความต่างคือรายละเอียดที่เหลือและขนาดไฟล์ ขนาดมาจากสูตรในส่วนถัดไป (1 MB = 1,000,000 bytes)
| รูปแบบ | สูญเสียข้อมูลหรือไม่ | แหล่งที่มาทั่วไป | ขนาดต่อนาที (ตัวอย่างการตั้งค่า) | ผลต่อการถอดเสียง | สิ่งที่ควรทำ |
|---|---|---|---|---|---|
| WAV (PCM) | ไม่บีบอัด | เครื่องบันทึกภาคสนาม โปรแกรมแก้เสียง | 1.92 MB ที่ 16 kHz, 16-bit, mono; 10.58 MB ที่ 44.1 kHz, 16-bit, stereo | เก็บทุกอย่างที่ไมค์จับได้ | เหมาะเป็นไฟล์ต้นฉบับ ระวังขนาดเมื่อบันทึกยาว |
| FLAC | ไม่สูญเสียข้อมูล (บีบอัด) | คลังข้อมูล ไฟล์ส่งออกจากโปรแกรม | เล็กกว่า WAV เดียวกัน ปริมาณที่ประหยัดต่างกัน | เสียงเหมือน WAV ต้นทาง | ใช้แทน WAV เพื่อประหยัดพื้นที่ |
| AIFF / ALAC / CAF | AIFF มักไม่บีบอัด; ALAC ไม่สูญเสีย; CAF เก็บได้ทั้งสองชนิด | แอป Mac และ iPhone | AIFF: เท่ากับ WAV ที่ตั้งค่าเดียวกัน | ขึ้นอยู่กับตัวแปลงภายใน | อัปโหลดตามเดิม |
| MP3 | สูญเสียข้อมูล | พอดแคสต์ ไฟล์ดาวน์โหลด | 0.96 MB ที่ 128 kbps | Google: การบีบอัดแบบสูญเสียอาจลดความแม่นยำ | อัปโหลดตามเดิม |
| M4A / AAC | มักสูญเสียข้อมูล (AAC) | บันทึกเสียง เพลงประกอบวิดีโอ | 0.48 MB ที่ 64 kbps | ข้อควรระวังเช่นเดียวกับ MP3 | อัปโหลดต้นฉบับ |
| OGG / Opus | สูญเสียข้อมูล | ข้อความเสียง การโทรผ่านเว็บ | 0.24 MB ที่ 32 kbps | Opus อยู่ในรายการที่ Google แนะนำสำหรับเสียงพูดแบบสูญเสีย | อัปโหลดตามเดิม |
| AMR (narrowband) | สูญเสียข้อมูล เฉพาะเสียงพูด | โทรศัพท์เก่าและเครื่องบันทึกการโทร | ประมาณ 0.09 MB ที่ 12.2 kbps | ส่งเฉพาะ 200 ถึง 3,400 Hz (Library of Congress, AMR) | อัปโหลดตามเดิม อย่าเพิ่มอัตราสุ่ม |
ไฟล์วิดีโอทำงานเช่นเดียวกัน: เครื่องมืออ่านแทร็กเสียง จึงมีต้นทุนเพิ่มเฉพาะขนาดอัปโหลด
ไฟล์เสียงใหญ่เท่าไร? สูตรคำนวณ
สองสูตรช่วยประมาณขนาดไฟล์ก่อนบันทึกหรืออัปโหลด
PCM ไม่บีบอัด (WAV, AIFF):
ไบต์ต่อวินาที = อัตราการสุ่มตัวอย่าง × (ความลึกบิต ÷ 8) × จำนวนช่อง
ตัวอย่างการคำนวณ:
- 16 kHz, 16-bit, mono: 16,000 × 2 × 1 = 32,000 ไบต์ต่อวินาที × 60 = 1,920,000 ไบต์ ประมาณ 1.92 MB ต่อนาที หรือ 115.2 MB ต่อชั่วโมง
- 44.1 kHz, 16-bit, stereo: 44,100 × 2 × 2 = 176,400 ไบต์ต่อวินาที ประมาณ 10.58 MB ต่อนาที หรือ 635 MB ต่อชั่วโมง
- 48 kHz, 24-bit, stereo: 48,000 × 3 × 2 = 288,000 ไบต์ต่อวินาที หรือ 1,036.8 MB ต่อชั่วโมง
แบบสูญเสียข้อมูลที่บิตเรตคงที่ (MP3, AAC, Opus):
ไบต์ต่อนาที = บิตเรตหน่วย kbps × 1,000 ÷ 8 × 60 (กล่าวคือ kbps × 7,500)
- 128 kbps: 128 × 7,500 = 960,000 ไบต์ ประมาณ 0.96 MB ต่อนาที หรือ 57.6 MB ต่อชั่วโมง
- 64 kbps: 0.48 MB ต่อนาที; 32 kbps: 0.24 MB ต่อนาที
ไฟล์จริงใหญ่กว่าเล็กน้อยเพราะส่วนหัว และไฟล์บิตเรตแปรผันเปลี่ยนรอบค่าเฉลี่ย คอมพิวเตอร์ที่แสดงหน่วยฐานสอง (MiB) จะแสดงตัวเลขต่ำกว่าประมาณ 5%
ตัวเลขเหล่านี้หมายถึงอะไรสำหรับขีดจำกัดอัปโหลด 5GB และ 10 ชั่วโมง
whispertranscribe.ai รับไฟล์สูงสุด 5GB และ 10 ชั่วโมง ตารางนี้แสดงการตั้งค่าทั่วไปโดยสมมติว่า 5GB เท่ากับ 5,000,000,000 ไบต์:
| การตั้งค่า | 1 ชั่วโมง | 10 ชั่วโมง | 10 ชั่วโมงต่ำกว่า 5GB หรือไม่? |
|---|---|---|---|
| WAV, 16 kHz, 16-bit, mono | 115.2 MB | 1.15 GB | ใช่ |
| WAV, 44.1 kHz, 16-bit, stereo | 635 MB | 6.35 GB | ไม่ ประมาณ 7.9 ชั่วโมงจึงพอดี |
| WAV, 48 kHz, 24-bit, stereo | 1.04 GB | 10.37 GB | ไม่ ประมาณ 4.8 ชั่วโมงจึงพอดี |
| MP3, 128 kbps | 57.6 MB | 576 MB | ใช่ |
| Opus, 32 kbps | 14.4 MB | 144 MB | ใช่ |
ไฟล์ WAV แบบดั้งเดิมมีเพดานของตัวเองด้วย: ช่องขนาด 32-bit จำกัดประมาณ 4 GB และไฟล์ยาวกว่านั้นต้องใช้ส่วนขยาย RF64 (Library of Congress) สำหรับไฟล์ยาวมากแบบไม่สูญเสียข้อมูล FLAC หรือ WAV โมโน 16 kHz ช่วยหลีกเลี่ยงทั้งสองปัญหา
สิ่งที่สำคัญกว่ารูปแบบเสียง
เสียงชัดใกล้ไมโครโฟนที่บันทึกเป็น MP3 มักดีกว่าไฟล์ไม่สูญเสียข้อมูลที่บันทึกไกลในห้องเสียงดัง การตั้งค่าและนิสัยเหล่านี้กำหนดผลลัพธ์ส่วนใหญ่
อัตราการสุ่มตัวอย่าง: 16 kHz เพียงพอหรือไม่?
เพียงพอสำหรับเสียงพูด Google แนะนำ 16,000 Hz ขึ้นไป (แนวทางปฏิบัติ) บทสอนอธิบายว่าอัตราต่ำกว่ามีข้อมูลเหนือ 8 kHz น้อยหรือไม่มีเลย โค้ด Whisper โอเพนซอร์สของ OpenAI แปลงทุกอินพุตเป็นโมโน 16,000 Hz ก่อนส่งให้โมเดล (whisper/audio.py) บันทึกที่ 44.1 หรือ 48 kHz ได้ แต่ไฟล์ใหญ่กว่า
การเพิ่มอัตราภายหลังไม่ช่วย: Google ระบุว่าไฟล์ 8 kHz ที่เพิ่มเป็น 44.1 kHz ยังมีช่วงความถี่เพียงประมาณ 4 kHz อัปโหลดเสียงโทรศัพท์ซึ่งมักเป็น 8,000 Hz ด้วยอัตราต้นฉบับ
ความลึกบิต: 16-bit หรือ 24-bit?
Google แนะนำ 16 บิตขึ้นไปและระบุว่าการแปลงเสียง 8-bit เป็น 16-bit ไม่ได้ประโยชน์ เพราะช่วงไดนามิกถูกกำหนดตอนบันทึกแล้ว การเก็บ 24-bit จากเครื่องบันทึกไม่เป็นปัญหา แต่แปลง 16-bit เป็น 24-bit ไม่ได้เพิ่มข้อมูล
บิตเรตสำหรับไฟล์บีบอัด
ไม่มีมาตรฐานกำหนดบิตเรตที่รับประกันการถอดเสียงดี แนวทาง Google กล่าวถึงชนิดตัวแปลง: แบบสูญเสียข้อมูลอาจลดความแม่นยำ และเสียงรบกวนหรือเสียงสะท้อนส่งผลมากขึ้นเมื่อมีการบีบอัดแบบสูญเสีย หากต้องบีบอัด ให้ทำครั้งเดียวที่ค่าปานกลางและหลีกเลี่ยงการแปลงต่อเนื่อง เช่น WAV เป็น MP3 เป็น OGG
ระยะไมโครโฟน เสียงรบกวน และระดับเสียง
จากคำแนะนำเตรียมเสียงของ Google:
- วางไมโครโฟนใกล้ผู้พูดเท่าที่สมควร โดยเฉพาะเมื่อมีเสียงรบกวน
- หลีกเลี่ยงเสียงตัดยอด ยอดเสียงแตกแก้คืนภายหลังไม่ได้
- ปิด automatic gain control และการลดเสียงรบกวนหากแอปอนุญาต Google ระบุว่าการลดเสียงรบกวนก่อนรู้จำมักลดความแม่นยำ
โมโนหรือสเตอริโอ?
สำหรับไมโครโฟนร่วมตัวเดียว โมโนเพียงพอ Whisper รวมสเตอริโอเป็นโมโนอยู่แล้ว ดังนั้นสเตอริโอที่มีเสียงเดียวกันทั้งสองข้างเพียงเพิ่มขนาดอัปโหลดเป็นสองเท่า ควรเก็บสเตอริโอเมื่อแต่ละข้างมีคนละคน เช่น เครื่องบันทึกการโทรหรือไมค์หนีบแยกช่อง Google แนะนำให้ส่งแต่ละช่องแยกในกรณีนี้ และส่งไฟล์ผสมตามเดิม
ไฟล์หลายแทร็ก
เครื่องมือพอดแคสต์และสัมภาษณ์ทางไกลมักบันทึกแต่ละคนแยกแทร็ก ส่งออกแทร็กผสมหนึ่งไฟล์แล้วเปิดป้ายผู้พูด (ง่ายที่สุด) หรือถอดแต่ละแทร็กแยกแล้วรวมข้อความตามเวลา (เสียงสะอาดที่สุด แต่ต้องรวมเอง)
รูปแบบและการตั้งค่าที่แนะนำตามสถานการณ์
สถานการณ์ที่พบบ่อยกว่าคือ "มีไฟล์อยู่แล้ว" และคำตอบมักเป็น "อัปโหลดตามเดิม"
| สถานการณ์ | บันทึกเป็น (หากเลือกได้) | หากมีไฟล์แล้ว | ก่อนอัปโหลด | ระวัง |
|---|---|---|---|---|
| สัมภาษณ์พบหน้า | WAV หรือ FLAC, mono ต่อไมค์, 44.1 หรือ 48 kHz | M4A หรือ MP3 จากโทรศัพท์ | จดชื่อและคำศัพท์ | แขกรับเชิญเสียงเบากว่าผู้สัมภาษณ์ |
| สัมภาษณ์ทางไกลหรือพอดแคสต์แยกแทร็ก | แทร็กของผู้พูดแต่ละคนแบบไม่สูญเสีย | WAV แยกและ MP3 ผสม | เลือกแบบผสมหรือแยกแทร็ก | เสียงทับในไฟล์ผสม |
| บันทึกประชุม (Zoom, Teams, Meet) | ตัวเลือกเสียงของแพลตฟอร์มหากมี | MP4 หรือ M4A | แยกเสียงเฉพาะเมื่อวิดีโอใหญ่มาก | ไมค์แล็ปท็อปตัวเดียวสำหรับทั้งห้อง |
| บันทึกเสียงโทรศัพท์ | ค่าเริ่มต้นแอป | .m4a | ส่งออกต้นฉบับ | โทรศัพท์อยู่ในกระเป๋าขณะบันทึก |
| พอดแคสต์ที่เผยแพร่แล้ว | ไม่เกี่ยวข้อง | MP3 ที่เผยแพร่ | ใช้ WAV หรือ FLAC ก่อนเผยแพร่หากมี | เพลงเปิด; ตั้งภาษา |
| บรรยายหรือสัมมนา | Mono, 16-bit, ไมค์ใกล้ผู้บรรยาย | MP3 ยาวหรือวิดีโอ | ตรวจความยาวเทียบ 10 ชั่วโมง | คำถามผู้ฟังอยู่นอกระยะไมค์ |
| บันทึกการโทร | ค่าเริ่มต้นเครื่องบันทึก | AMR, M4A หรือ WAV 8 kHz | คงอัตราสุ่มเดิม | กฎความยินยอม; อย่าเพิ่มอัตราสุ่ม |
การบันทึกการโทรมีประเด็นความยินยอม ต้องได้รับความยินยอมที่จำเป็นก่อนเริ่ม คู่มือ วิธีบันทึกการโทร และ กฎหมายบันทึกการโทรแยกตามรัฐ อธิบายเพิ่มเติม นี่ไม่ใช่คำแนะนำทางกฎหมาย
วิธีแปลงเสียงสำหรับถอดด้วย FFmpeg
แปลงเมื่อมีเหตุผลเท่านั้น: ไฟล์ใหญ่เกินไป ต้องการอัปโหลดเสียงแทนวิดีโอ เครื่องมือไม่รับตัวแปลง หรืออยากแยกผู้พูดเป็นไฟล์ การแปลงเพื่อ "เพิ่มคุณภาพ" ไม่ได้ผล
เรารันคำสั่งทั้งห้าด้านล่างด้วย FFmpeg 4.3 บน macOS กับสื่อสังเคราะห์ และตรวจตัวแปลง อัตราสุ่ม และช่องเสียงด้วย ffprobe ตัวเลือกอธิบายไว้ใน เอกสาร FFmpeg
1. ไฟล์ใดก็ได้เป็น WAV โมโน 16 kHz 16-bit (รูปแบบเดียวกับที่ Whisper แปลงภายใน):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. ไฟล์ใดก็ได้เป็น FLAC โมโน 16 kHz (ไม่สูญเสียข้อมูลและมักเล็กกว่า WAV):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. วิดีโอเป็น MP3 โมโนขนาดเล็ก (เพิ่มการบีบอัดแบบสูญเสียหนึ่งครั้ง ใช้เมื่อขนาดสำคัญที่สุด):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. ดึงเสียงจากวิดีโอโดยไม่เข้ารหัสใหม่ (ใช้ได้เมื่อเสียงเป็น AAC ซึ่งพบบ่อยใน MP4):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. แยกไฟล์สองช่องเป็นหนึ่งไฟล์ต่อผู้พูด (ใช้ ฟิลเตอร์ channelsplit):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| ตัวเลือก | ทำอะไร |
|---|---|
-ac 1 |
รวมเสียงเป็นหนึ่งช่อง |
-ar 16000 |
ตั้งอัตราสุ่มเอาต์พุตเป็น 16,000 Hz |
-c:a pcm_s16le |
เขียน PCM 16-bit ไม่บีบอัด (WAV มาตรฐาน) |
-vn |
ตัดสตรีมวิดีโอ |
-c:a copy |
คัดลอกเสียงตามเดิมโดยไม่เปลี่ยนคุณภาพ |
-b:a 64k |
ตั้งบิตเรตแบบสูญเสียข้อมูล |
เลือกคำสั่ง 4 แทน 3 เมื่อเสียงวิดีโอเป็น AAC อยู่แล้ว เพราะคงคุณภาพเดิม สำหรับเสียงโทรศัพท์ 8 kHz ให้ละ -ar 16000 เพื่อไม่เพิ่มอัตราสุ่ม
ไม่ใช้บรรทัดคำสั่ง? ตัวแปลงเสียงและวิดีโอเป็น MP3 ของ whispertranscribe.ai ดึงแทร็กเสียงจาก MP4, MOV, MKV, WEBM หรือ AVI ในเบราว์เซอร์ หน้าเว็บระบุว่าใช้ WebAssembly และประมวลผลไฟล์ในเบราว์เซอร์โดยไม่อัปโหลด
ไฟล์ใหญ่: ให้อยู่ภายใต้ 5GB และ 10 ชั่วโมง
- ใหญ่เกินแต่ไม่ถึง 10 ชั่วโมง: มักเป็นวิดีโอหรือ WAV ความละเอียดสูง ให้แยกเสียง (คำสั่ง 4 หรือเครื่องมือเบราว์เซอร์) หรือแปลง WAV เป็น FLAC (คำสั่ง 2)
- ยาวกว่า 10 ชั่วโมง: หน้าอัปโหลดแสดง "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." (ขณะนี้ประมวลผลได้สูงสุด 10 ชั่วโมง กรุณาตัดให้สั้นลงแล้วลองใหม่) ให้แบ่งไฟล์ คำสั่งแบ่งโดยไม่เข้ารหัสใหม่ใน คู่มือ MP3 เป็นข้อความ ใช้กับ WAV ได้ด้วย เราทดสอบการแบ่ง WAV สังเคราะห์แล้ว ตรวจรอยต่อเมื่อรวมข้อความ
- การเชื่อมต่อช้า: MP3 64 kbps หนึ่งชั่วโมงประมาณ 28.8 MB เทียบกับ WAV สเตอริโอแบบ CD 635 MB เก็บต้นฉบับไม่สูญเสียข้อมูลเป็นไฟล์เก็บถาวร
แก้ปัญหารูปแบบเสียง
| ปัญหา | สาเหตุที่เป็นไปได้ | สิ่งที่ควรลอง |
|---|---|---|
| "No audio detected. The file may be corrupted. Please check the file and try again." (ไม่พบเสียง ไฟล์อาจเสีย โปรดตรวจแล้วลองใหม่; แสดงบนหน้าอัปโหลด) | ไฟล์เสีย วิดีโอส่งออกโดยไม่มีเสียง หรือแทร็กเสียงว่าง | เล่นบนเครื่อง รัน ffprobe ด้านบน (ไม่มีผลหมายถึงไม่มีสตรีมเสียง) ส่งออกใหม่จากแอปต้นทาง |
| อัปโหลดถูกปฏิเสธเพราะยาวเกินไป | ไฟล์เกิน 10 ชั่วโมง | แบ่งเป็นส่วนละไม่เกิน 10 ชั่วโมง |
| ไฟล์ใหญ่เกินไป | วิดีโอหรือ WAV ความละเอียดสูงหลายช่อง | แยกเสียงหรือแปลง WAV เป็น FLAC |
| WAV เกิน 4 GB เปิดหรืออัปโหลดไม่ได้ | ขีดจำกัด WAV ดั้งเดิม | ส่งออกใหม่เป็น RF64 หรือ FLAC หรือแบ่งไฟล์ |
| ผู้พูดคนหนึ่งเบากว่าอีกคนมาก | แต่ละคนอยู่คนละช่องและบันทึกต่างระดับ | แยกช่อง (คำสั่ง 5) และถอดแต่ละไฟล์ |
| ยอดเสียงแตกหรือมีเสียงกรอบแกรบ | เสียงตัดยอดขณะบันทึก | แก้คืนไม่ได้ ลด gain อินพุตครั้งหน้า |
| เสียงโทรศัพท์ยังแย่หลังแปลงเป็น 48 kHz | การเพิ่มอัตราสุ่มไม่เพิ่มข้อมูล | อัปโหลดต้นฉบับ ลองตัวเลือกภาษา "Noise / Low-Quality Audio/Video" หากมี |
whispertranscribe.ai อยู่ตรงไหน
whispertranscribe.ai เป็นเครื่องมือถอดเสียงที่ใช้โมเดล Whisper ของ OpenAI ผ่านเว็บเบราว์เซอร์ (ไม่มีแอป ไม่มี API ไม่มีการตรวจทานโดยคน) ตัวแปลงเสียงเป็นข้อความฟรี และหน้าอัปโหลดอื่นระบุรูปแบบ: MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG และ MPEG
- ขีดจำกัด: ไฟล์สูงสุด 5GB และ 10 ชั่วโมง
- ภาษา: กว่า 130 ภาษา พร้อมตัวเลือก "Noise / Low-Quality Audio/Video" สำหรับหลายภาษา
- ความแม่นยำ: สูงสุด 99% สำหรับเสียงชัด เสียงรบกวน ระยะห่าง สำเนียง และการพูดทับกันลดความแม่นยำ
- ผู้พูด: เปิด Speaker Detection ก่อนถอดเสียง
- ส่งออก: DOCX, PDF, TXT, CSV, SRT และ VTT
- ความเป็นส่วนตัว: นโยบายความเป็นส่วนตัว ระบุว่าไฟล์ต้นฉบับถูกลบหลังประมวลผล และไฟล์ MP3 ที่แยกเก็บ 30 วันตามค่าเริ่มต้น
สำหรับไฟล์เฉพาะ ดูหน้า ไฟล์ MP3, บันทึกเสียง, การโทร, บทสัมภาษณ์ และ การบรรยายและสัมมนา ทดลองไฟล์ที่ หน้าฟรีโดยไม่มีบัญชี (ขีดจำกัดแสดงบนหน้า) แพ็กเกจชำระเงินเริ่ม $9.99/เดือน เมื่อเรียกเก็บรายปี (ราคา) ดูส่วนที่เหลือใน หน้าฟีเจอร์
คำถามที่พบบ่อย
รูปแบบเสียงใดดีที่สุดสำหรับการถอดเสียง?
WAV หรือ FLAC ดีที่สุดเมื่อควบคุมการบันทึกได้ โดยควรเป็นโมโนที่ 16 kHz ขึ้นไปและความลึก 16-bit หากมีไฟล์บีบอัด เช่น MP3, M4A หรือ Opus แล้ว ให้อัปโหลดตามเดิมแทนการแปลง คุณภาพการบันทึก ได้แก่ ไมค์ใกล้ เสียงรบกวนต่ำ และไม่มีเสียงตัดยอด มักสำคัญกว่าการเลือกรูปแบบ
WAV ดีกว่า MP3 สำหรับถอดเสียงหรือไม่?
WAV ที่บันทึกจากต้นทางเก็บรายละเอียดมากกว่า MP3 และ Google ระบุว่าตัวแปลงแบบสูญเสียข้อมูล เช่น MP3 อาจลดความแม่นยำ ความต่างมักเล็กเมื่อเสียงชัดและมากขึ้นเมื่อเสียงรบกวน WAV ที่สร้างจาก MP3 เดิมไม่ดีกว่า MP3 นั้น เพราะรายละเอียดที่ทิ้งไปหายแล้ว บันทึกเป็น WAV หรือ FLAC เมื่อทำได้ และอัปโหลด MP3 ตามเดิม
ควรใช้อัตราสุ่มตัวอย่างเท่าไรสำหรับถอดเสียง?
ใช้ 16 kHz ขึ้นไป Google แนะนำอย่างน้อย 16,000 Hz สำหรับรู้จำเสียง และ Whisper ของ OpenAI แปลงเสียงทั้งหมดเป็นโมโน 16 kHz ก่อนประมวลผล บันทึกที่ 44.1 หรือ 48 kHz ได้และพบบ่อย อย่าเพิ่มอัตราต่ำภายหลัง: ไฟล์โทรศัพท์ 8 kHz ควรอัปโหลดที่ 8 kHz เพราะการเพิ่มอัตราทำให้ไฟล์ใหญ่ขึ้นแต่ไม่เพิ่มข้อมูลเสียงพูด
ควรบันทึกแบบโมโนหรือสเตอริโอ?
บันทึกโมโนเมื่อทุกคนใช้ไมโครโฟนร่วมกัน Whisper รวมสเตอริโอเป็นโมโนอยู่แล้ว สำเนาสเตอริโอของเสียงเดียวกันจึงเพียงเพิ่มขนาดเป็นสองเท่า เก็บสเตอริโอหรือหลายแทร็กเมื่อแต่ละคนอยู่คนละช่อง เช่น เครื่องบันทึกการโทรหรือไมค์แยกแขก Google แนะนำถอดแต่ละช่องแยก ซึ่งทำได้โดยแยกช่องด้วย FFmpeg
ไฟล์ WAV ใหญ่เท่าไรต่อนาที?
ขึ้นอยู่กับการตั้งค่า: คูณอัตราสุ่มด้วยไบต์ต่อตัวอย่างและจำนวนช่องเพื่อได้ไบต์ต่อวินาที WAV โมโน 16 kHz, 16-bit คือ 16,000 × 2 × 1 = 32,000 ไบต์ต่อวินาที ประมาณ 1.92 MB ต่อนาทีหรือ 115.2 MB ต่อชั่วโมง สเตอริโอแบบ CD 44.1 kHz, 16-bit ประมาณ 10.58 MB ต่อนาทีหรือ 635 MB ต่อชั่วโมง
อัปโหลดวิดีโอแทนการแยกเสียงได้หรือไม่?
ได้ เครื่องมือถอดเสียงอ่านแทร็กเสียงและไม่ใช้ภาพ ดังนั้น MP4, MOV, MKV หรือ WEBM ให้บทถอดเสียงเหมือนเสียงที่แยกออกมา วิดีโอเพียงทำให้ไฟล์อัปโหลดใหญ่ขึ้น แยกเสียงเมื่อไฟล์ใกล้ขีดจำกัดขนาดหรืออินเทอร์เน็ตช้า เช่น ใช้ -vn -c:a copy ของ FFmpeg ซึ่งคงคุณภาพเสียงเดิม ใน whispertranscribe.ai คุณอัปโหลดวิดีโอตามเดิมและส่งออก DOCX, TXT, SRT หรือ VTT ได้
มีไฟล์บันทึกพร้อมหรือไม่? อัปโหลดตามเดิมไปยัง whispertranscribe.ai ที่ ตัวแปลงเสียงเป็นข้อความฟรี: เลือกจากกว่า 130 ภาษา เปิด Speaker Detection แล้วดาวน์โหลด DOCX, TXT, SRT หรือ VTT รองรับไฟล์สูงสุด 5GB และ 10 ชั่วโมง
แหล่งอ้างอิง
- Google Cloud: แนวทางปฏิบัติ Speech-to-Text (การส่งข้อมูลเสียงพูด)
- Google Cloud: ปรับไฟล์เสียงสำหรับ Speech-to-Text
- OpenAI: whisper/audio.py ในคลัง Whisper GitHub
- FFmpeg: เอกสารบรรทัดคำสั่ง ffmpeg และ ฟิลเตอร์ channelsplit
- Library of Congress: รูปแบบไฟล์เสียง WAVE (fdd000001)
- Library of Congress: AMR, Adaptive Multi-Rate Speech Codec (fdd000254)
