Найкращий аудіоформат для транскрибування: запис, завантаження й конвертація

Редакція whispertranscribe.ai · Оновлено: листопад 2026 · Час читання: 12 хвилин

Найкращий аудіоформат для транскрибування — WAV без втрат (16-бітний PCM) або FLAC, записаний у моно з частотою 16 кГц чи вище, якщо ви керуєте записом. Якщо вже маєте MP3, M4A або відео, завантажте файл як є. Перетворення стисненого файлу не повертає втрачених деталей, а відстань до мікрофона й шум впливають більше.

Нижче — вибір перед записом, дії з наявним файлом, формули розміру, налаштування для різних ситуацій, команди FFmpeg і таблиця усунення проблем.

Прозорість. Посібник публікує whispertranscribe.ai. Технічні твердження посилаються на Google Cloud, код Whisper від OpenAI, FFmpeg або Library of Congress. Ми не проводили тестів точності для статті й не обіцяємо, що формат додасть певний відсоток точності.

Коротка відповідь: найкращий аудіоформат для транскрибування

Вибирайте відповідно до етапу роботи, а не одного «переможця».

Ситуація Найкращий вибір Чому
Налаштовуєте записувач або застосунок WAV (16 біт) або FLAC, моно, 16 кГц чи вище Google рекомендує FLAC без втрат або LINEAR16 для розпізнавання мовлення
Потрібні малі файли під час запису Кодек із втратами, придатний для мовлення, із помірним бітрейтом Бажані Google кодеки з втратами для мовлення за порядком: AMR-WB, Ogg Opus, Speex
Уже маєте MP3, M4A або Opus Завантажте оригінал Перекодування нічого не поверне
Маєте відео MP4, MOV або MKV Завантажте його; якщо воно велике, видобудьте аудіо Використовується лише аудіодоріжка
Мовців записано на окремі доріжки Збережіть доріжки Google радить надсилати окремо кожен канал, коли кожна людина має свій

Коли форматом можна не перейматися: голосова нотатка телефону, опублікований подкаст або запис Zoom чи Teams. Завантажте його, виберіть правильну мову й перевірте імена.

Формат, кодек і контейнер: що приховує розширення

Розширення називає контейнер, не завжди стиснення. Посібник Google з оптимізації аудіо прямо зазначає: кодеки й формати файлів — не одне й те саме. Три поширені несподіванки:

  • WAV зазвичай містить нестиснений лінійний PCM, але може містити інші кодування (Library of Congress, WAVE).
  • M4A може містити AAC із втратами або Apple Lossless (ALAC) без втрат.
  • OGG — контейнер, який зазвичай містить Opus або Vorbis, обидва з втратами.

Щоб побачити вміст, попросіть ffprobe з FFmpeg показати лише аудіопотоки:

ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4

Команда показує по рядку на аудіопотік. Якщо результату немає, файл може не мати аудіодоріжки — це корисно з'ясувати до завантаження.

Порівняння аудіоформатів для транскрибування

Усі наведені формати можна транскрибувати. Різниця — у збережених деталях і розмірі. Розміри обчислено за формулами нижче (1 МБ = 1 000 000 байтів).

Формат Із втратами чи без Типове джерело Розмір за хвилину (приклад) Вплив на транскрибування Що робити
WAV (PCM) Нестиснений Польові записувачі, аудіоредактори 1,92 МБ за 16 кГц, 16 біт, моно; 10,58 МБ за 44,1 кГц, 16 біт, стерео Зберігає все, що записав мікрофон Найкращий оригінал; стежте за розміром довгих записів
FLAC Без втрат (стиснений) Архіви, експорти редактора Менший за той самий WAV; економія різниться Те саме аудіо, що у WAV Для економії місця замість WAV
AIFF / ALAC / CAF AIFF зазвичай нестиснений; ALAC без втрат; CAF може містити обидва Застосунки Mac та iPhone AIFF: як WAV за тих самих налаштувань Залежить від кодека Завантажте як є
MP3 Із втратами Подкасти, завантаження 0,96 МБ за 128 кбіт/с Google: кодеки з втратами можуть знизити точність Завантажте як є
M4A / AAC Зазвичай із втратами (AAC) Голосові нотатки, звук відео 0,48 МБ за 64 кбіт/с Та сама пересторога, що для MP3 Завантажте оригінал
OGG / Opus Із втратами Голосові повідомлення, вебдзвінки 0,24 МБ за 32 кбіт/с Opus — у списку бажаних Google кодеків із втратами для мовлення Завантажте як є
AMR (вузькосмуговий) Із втратами, лише мовлення Старі телефони й записувачі дзвінків Близько 0,09 МБ за 12,2 кбіт/с Передає лише 200–3 400 Гц (Library of Congress, AMR) Завантажте як є; не підвищуйте частоту дискретизації

Відеофайли працюють так само: інструмент читає звук, тому єдина додаткова витрата — більший обсяг завантаження.

Який розмір аудіофайлу? Формули

Дві формули допоможуть оцінити розмір до запису чи завантаження.

Нестиснений PCM (WAV, AIFF):

bytes per second = sample rate × (bit depth ÷ 8) × channels (байти за секунду = частота дискретизації × бітова глибина в байтах × кількість каналів)

Приклади:

  • 16 кГц, 16 біт, моно: 16 000 × 2 × 1 = 32 000 байтів за секунду. × 60 = 1 920 000 байтів, близько 1,92 МБ за хвилину або 115,2 МБ за годину.
  • 44,1 кГц, 16 біт, стерео: 44 100 × 2 × 2 = 176 400 байтів за секунду, близько 10,58 МБ за хвилину або 635 МБ за годину.
  • 48 кГц, 24 біти, стерео: 48 000 × 3 × 2 = 288 000 байтів за секунду або 1 036,8 МБ за годину.

Формат із втратами та сталим бітрейтом (MP3, AAC, Opus):

bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (байти за хвилину = бітрейт у кбіт/с × 1 000 ÷ 8 × 60, тобто кбіт/с × 7 500)

  • 128 кбіт/с: 128 × 7 500 = 960 000 байтів, близько 0,96 МБ за хвилину або 57,6 МБ за годину.
  • 64 кбіт/с: 0,48 МБ за хвилину; 32 кбіт/с: 0,24 МБ за хвилину.

Реальні файли трохи більші через заголовки, а файли зі змінним бітрейтом коливаються біля середнього. Комп'ютери, які показують двійкові одиниці (MiB), відображають приблизно на 5 % менші числа.

Що це означає для ліміту 5 ГБ і 10 годин?

whispertranscribe.ai приймає файли до 5 ГБ і 10 годин. Так виглядають поширені налаштування, якщо 5 ГБ — це 5 000 000 000 байтів:

Налаштування 1 година 10 годин 10 годин у межах 5 ГБ?
WAV, 16 кГц, 16 біт, моно 115,2 МБ 1,15 ГБ Так
WAV, 44,1 кГц, 16 біт, стерео 635 МБ 6,35 ГБ Ні: вміститься близько 7,9 години
WAV, 48 кГц, 24 біти, стерео 1,04 ГБ 10,37 ГБ Ні: вміститься близько 4,8 години
MP3, 128 кбіт/с 57,6 МБ 576 МБ Так
Opus, 32 кбіт/с 14,4 МБ 144 МБ Так

Класичний WAV також має власну межу: 32-бітне поле розміру обмежує файл приблизно 4 ГБ, а довші записи потребують розширення RF64 (Library of Congress). Для дуже довгих записів без втрат FLAC або моно WAV 16 кГц допомагає уникнути обох проблем.

Що важливіше за аудіоформат

Чіткий голос біля мікрофона, збережений як MP3, зазвичай кращий за запис без втрат із дальнього кінця шумної кімнати. Ці налаштування й звички визначають більшість результатів.

Частота дискретизації: чи достатньо 16 кГц?

Так, для мовлення. Google рекомендує 16 000 Гц чи вище (найкращі практики); його посібник пояснює, що нижча частота залишає мало або зовсім не залишає інформації понад 8 кГц. Відкритий код Whisper від OpenAI перетворює кожен вхід на моно 16 000 Гц перед моделлю (whisper/audio.py). Запис на 44,1 або 48 кГц прийнятний, але більший.

Підвищення частоти згодом не допомагає: Google зазначає, що файл 8 кГц після підвищення до 44,1 кГц усе одно має діапазон лише приблизно до 4 кГц. Телефонне аудіо, зазвичай 8 000 Гц, завантажуйте з початковою частотою.

Бітова глибина: 16 чи 24 біти?

Google рекомендує щонайменше 16 бітів і каже, що перетворення 8-бітного аудіо на 16-бітне нічого не додає, бо динамічний діапазон визначено під час запису. Зберігати 24 біти з записувача безпечно; перетворення з 16 на 24 нічого не додає.

Бітрейт стиснених файлів

Жоден стандарт не встановлює бітрейт, який гарантує добрий транскрипт. Порада Google стосується типу кодека: кодеки з втратами можуть знизити точність, а шум чи відлуння за такого стиснення шкодять більше. Якщо стискати необхідно, зробіть це один раз із помірними налаштуваннями та уникайте ланцюгів WAV → MP3 → OGG.

Відстань до мікрофона, шум і рівні

За рекомендаціями Google щодо попередньої обробки:

  • Розміщуйте мікрофон якомога ближче до мовця в розумних межах, особливо за фонового шуму.
  • Уникайте кліпінгу. Спотворені піки потім не відновити.
  • Вимкніть автоматичне регулювання підсилення й шумозаглушення, якщо застосунок дозволяє. Google каже, що шумозаглушення до розпізнавання зазвичай знижує точність.

Моно чи стерео?

Для одного спільного мікрофона достатньо моно. Whisper усе одно зводить стерео до моно, тому той самий голос з обох боків лише подвоює завантаження. Стерео варто зберігати, коли кожна сторона містить іншу людину, як у багатьох записувачах дзвінків або з петличкою на канал. Google радить тоді надсилати канали окремо, а зведений запис — як є.

Багатодоріжкові записи

Інструменти подкастів і віддалених інтерв'ю часто записують кожну людину окремо. Або експортуйте одну зведену доріжку й увімкніть позначки мовців (найпростіше), або транскрибуйте кожну окремо й з'єднайте тексти за часом (чистіший звук, але злиття робите ви).

Рекомендовані формати й налаштування за ситуацією

Ситуація «вже маю файл» поширеніша, і відповідь зазвичай — «завантажте його».

Ситуація Записуйте як (якщо обираєте) Якщо вже маєте Перед завантаженням Зверніть увагу
Особисте інтерв'ю WAV або FLAC, моно для кожного мікрофона, 44,1 чи 48 кГц M4A або MP3 з телефону Запишіть імена й терміни Гість може бути тихішим за інтерв'юера
Віддалене інтерв'ю чи подкаст, окремі доріжки Власна доріжка кожного без втрат Окремі WAV і зведений MP3 Виберіть зведення чи окремі доріжки Взаємне проникнення голосів у зведенні
Запис зустрічі (Zoom, Teams, Meet) Аудіоопція платформи, якщо є MP4 або M4A Видобувайте звук лише з дуже великого відео Один мікрофон ноутбука на всю кімнату
Голосова нотатка телефону Типові параметри застосунку .m4a Експортуйте оригінал Телефон у кишені під час запису
Опублікований подкаст Не застосовується Опублікований MP3 Використайте WAV або FLAC до публікації, якщо маєте Музичні вступи; задайте мову
Лекція чи семінар Моно, 16 біт, мікрофон біля лектора Довгий MP3 або відео Перевірте тривалість щодо 10 годин Запитання аудиторії далеко від мікрофона
Запис телефонної розмови Типові параметри записувача AMR, M4A або WAV 8 кГц Збережіть початкову частоту Правила згоди; не підвищуйте частоту

До запису отримайте необхідну згоду й дозвіл організатора. Наші посібники як записати телефонну розмову та закони запису дзвінків за штатами описують ці питання. Це не юридична порада.

Як конвертувати аудіо для транскрибування за допомогою FFmpeg

Конвертуйте лише за потреби: файл завеликий, хочете менше завантаження з відео, інструмент відхиляє кодек або потрібні окремі файли мовців. Конвертація заради «якості» не працює.

Наведені п'ять конвертацій перевірено на macOS із FFmpeg 4.3; ffprobe можна використати для перевірки результату. Параметри описано в документації FFmpeg.

1. Будь-який файл у WAV 16 кГц, моно, 16 біт (така сама форма, яку Whisper створює внутрішньо):

ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav

2. Будь-який файл у FLAC 16 кГц, моно (без втрат і зазвичай менший за WAV):

ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac

3. Відео в малий моно MP3 (додає один етап із втратами; використовуйте, коли розмір найважливіший):

ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3

4. Видобудьте аудіо з відео без перекодування (працює для AAC, поширеного в MP4):

ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a

5. Розділіть двоканальний запис на файл для кожного мовця (використовує фільтр channelsplit):

ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
Параметр Що робить
-ac 1 Зводить звук до одного каналу
-ar 16000 Встановлює вихідну частоту 16 000 Гц
-c:a pcm_s16le Записує 16-бітний нестиснений PCM (стандартний WAV)
-vn Видаляє відеопотік
-c:a copy Копіює аудіо без зміни якості
-b:a 64k Встановлює бітрейт із втратами

Якщо звук відео вже AAC, віддавайте перевагу команді 4 перед 3: вона зберігає початкову якість. Для телефонного аудіо 8 кГц приберіть -ar 16000, щоб не підвищувати частоту.

Без командного рядка? Конвертер аудіо й відео в MP3 whispertranscribe.ai видобуває звук із MP4, MOV, MKV, WEBM або AVI у браузері. Сторінка каже, що використовує WebAssembly і обробляє файли в браузері без завантаження.

Великі файли: залишайтеся в межах 5 ГБ і 10 годин

  • Завеликий, але до 10 годин: зазвичай відео або високоякісний WAV. Видобудьте звук (команда 4 або браузерний конвертер) чи перетворіть WAV на FLAC (команда 2).
  • Довше 10 годин: сторінка каже: «Зараз ми можемо обробляти файли до 10 годин. Скоротіть файл до 10 годин або менше та спробуйте знову». Розділіть його. Команда поділу без перекодування в посібнику MP3 у текст працює й для WAV; ми перевірили її на тестовому WAV. Під час злиття тексту перевірте стики.
  • Повільне з'єднання: година MP3 64 кбіт/с — близько 28,8 МБ проти 635 МБ стерео WAV якості CD. Збережіть оригінал без втрат в архіві.

Усунення проблем аудіоформату

Проблема Імовірна причина Що спробувати
«Аудіо не виявлено. Файл може бути пошкоджений. Перевірте його та спробуйте знову» (на наших сторінках) Пошкоджений файл, відео без звуку або порожня доріжка Відтворіть локально; запустіть перевірку ffprobe вище (без результату немає аудіопотоку); експортуйте заново
Завантаження відхилене як задовге Файл понад 10 годин Розділіть на частини до 10 годин
Файл завеликий Відео або багатоканальний високоякісний WAV Видобудьте аудіо чи конвертуйте WAV у FLAC
WAV понад 4 ГБ не відкривається або не завантажується Межа класичного WAV Експортуйте як RF64 чи FLAC або розділіть
Один мовець значно тихіший Кожен на окремому каналі з різними рівнями Розділіть канали (команда 5) і транскрибуйте окремо
Спотворені піки з тріском Кліпінг під час запису Не виправити; наступного разу зменште підсилення
Телефонне аудіо погане після конвертації на 48 кГц Підвищення частоти не додає інформації Завантажте оригінал; спробуйте «Noise / Low-Quality Audio/Video», якщо є

Де підходить whispertranscribe.ai

whispertranscribe.ai — браузерний інструмент транскрибування на моделях Whisper від OpenAI (без застосунку, API та людської вичитки). Безкоштовний конвертер аудіо в текст та інші сторінки перелічують MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG і MPEG.

  • Ліміти: файли до 5 ГБ і 10 годин.
  • Мови: понад 130 мов, багато з опцією «Noise / Low-Quality Audio/Video».
  • Точність: до 99 % на чистому звуку. Шум, відстань, акценти й накладання голосів її знижують.
  • Мовці: увімкніть Speaker Detection до транскрибування.
  • Експорт: DOCX, PDF, TXT, CSV, SRT і VTT.
  • Приватність: політика каже, що оригінали видаляються після обробки, а видобуті MP3 за замовчуванням зберігаються 30 днів.

Для конкретних записів див. сторінки MP3, голосових нотаток, телефонних розмов, інтерв'ю та лекцій і семінарів. Спробуйте файл на безкоштовній сторінці без облікового запису (ліміти вказані там). Платні плани від 9,99 долара/місяць за річної оплати (ціни). Решта — на сторінці функцій.

Поширені запитання

Який аудіоформат найкращий для транскрибування?

Якщо контролюєте запис, найкраще WAV або FLAC, бажано моно 16 кГц чи вище та 16 бітів. Якщо вже маєте стиснений MP3, M4A чи Opus, завантажуйте як є без конвертації. Якість запису — близький мікрофон, мало шуму й відсутність кліпінгу — зазвичай важливіша за вибір формату.

WAV кращий за MP3 для транскрибування?

WAV, записаний із джерела, зберігає більше деталей, ніж MP3, а Google каже, що кодеки з втратами можуть знизити точність. Різниця часто мала на чистому мовленні та більша на шумному. WAV, створений із MP3, не кращий: відкинуті деталі втрачені. За можливості записуйте WAV або FLAC, а MP3 завантажуйте як є.

Яку частоту дискретизації використовувати?

Використовуйте 16 кГц або вище. Google рекомендує не менше 16 000 Гц, а Whisper від OpenAI перед обробкою перетворює все на моно 16 кГц. Запис 44,1 або 48 кГц нормальний і поширений. Не підвищуйте нижчу частоту згодом: телефонний запис 8 кГц завантажуйте на 8 кГц, бо підвищення збільшує файл, але не додає інформації.

Записувати моно чи стерео?

Записуйте моно, якщо всі користуються одним мікрофоном. Whisper усе одно зводить стерео до моно, тож копія того самого голосу лише подвоїть файл. Зберігайте стерео чи багатодоріжковий запис, коли кожен мовець має власний канал, як у записувачі дзвінків чи з мікрофоном на гостя. Google радить транскрибувати канали окремо; їх можна розділити FFmpeg.

Скільки важить WAV за хвилину?

Залежить від налаштувань: помножте частоту на байти на відлік і кількість каналів. Моно WAV 16 кГц, 16 біт: 16 000 × 2 × 1 = 32 000 байтів за секунду, близько 1,92 МБ за хвилину або 115,2 МБ за годину. Стерео CD-якості 44,1 кГц, 16 біт — близько 10,58 МБ за хвилину або 635 МБ за годину.

Чи можна завантажити відео замість видобування аудіо?

Так. Інструменти читають аудіодоріжку й ігнорують зображення, тому MP4, MOV, MKV або WEBM дає той самий транскрипт, що видобутий звук. Відео лише збільшує завантаження. Видобудьте звук, якщо файл близький до ліміту чи зв'язок повільний, наприклад командою FFmpeg -vn -c:a copy, що зберігає якість. У whispertranscribe.ai можна завантажити відео як є та експортувати DOCX, TXT, SRT або VTT.


Маєте готовий запис? Завантажте його як є до безкоштовного конвертера whispertranscribe.ai: виберіть із понад 130 мов, увімкніть Speaker Detection і завантажте DOCX, TXT, SRT або VTT. Файли до 5 ГБ і 10 годин.

Джерела

Хочете перетворити свої записи на текст?

Розшифровуйте аудіо й відео за допомогою whispertranscribe.ai.

Почати розшифрування ↗