whispertranscribe.ai tahririyati · Yangilangan: 2026-yil noyabr · 12 daqiqalik o‘qish
Yozuv sozlamalarini o‘zingiz tanlasangiz, transkripsiya uchun eng yaxshi format yo‘qotishsiz WAV (16-bit PCM) yoki FLAC, mono va 16 kHz yoki undan yuqori chastotadir. MP3, M4A yoki video allaqachon mavjud bo‘lsa, uni asl holida yuklang. Siqilgan faylni aylantirish yo‘qolgan ma’lumotni qaytarmaydi; mikrofon masofasi va shovqin natijaga ko‘proq ta’sir qiladi.
Quyida yozuvdan oldingi tanlov, mavjud fayl bilan ishlash, hajm formulalari, turli vaziyatlar uchun sozlamalar, FFmpeg buyruqlari va muammolar jadvali keltirilgan.
Ma’lumot. Ushbu qo‘llanmani whispertranscribe.ai nashr etadi. Texnik da’volar Google Cloud, OpenAI Whisper kodi, FFmpeg yoki Kongress kutubxonasi manbalariga bog‘langan. Ushbu maqola uchun aniqlik sinovi o‘tkazilmagan va hech bir format aniqlikni muayyan foizga oshirishi va’da qilinmaydi.
Qisqa javob: transkripsiya uchun eng yaxshi audio format
Yagona «g‘olib»ga emas, ish jarayonidagi holatingizga qarab tanlang.
| Vaziyat | Eng yaxshi tanlov | Nima uchun |
|---|---|---|
| Diktofon yoki ilovani sozlayapsiz | WAV (16-bit) yoki FLAC, mono, 16 kHz yoki yuqori | Google nutqni tanish uchun yo‘qotishsiz FLAC yoki LINEAR16 tavsiya qiladi |
| Yozishda kichik fayl kerak | O‘rtacha bitreytli, nutqqa mos yo‘qotishli kodek | Google afzal ko‘radigan yo‘qotishli nutq kodeklari: AMR-WB, Ogg Opus, Speex |
| MP3, M4A yoki Opus faylingiz bor | Asl faylni yuklang | Qayta kodlash yo‘qolgan ma’lumotni tiklamaydi |
| Video bor (MP4, MOV, MKV) | Uni yuklang; juda katta bo‘lsa audioni ajrating | Faqat audio yo‘lagi ishlatiladi |
| So‘zlovchilar alohida yo‘laklarda yozilgan | Yo‘laklarni saqlang | Google har bir odam alohida kanalda bo‘lsa, kanallarni alohida yuborishni tavsiya qiladi |
Format haqida qachon xavotirlanmaslik kerak: telefon ovozli qaydi, e’lon qilingan podkast yoki Zoom yoki Teams yozuvida. Faylni yuklang, so‘zlashilgan tilni tanlang va ismlarni tekshirishga vaqt ajrating.
Format, kodek va konteyner: kengaytma nimani yashiradi?
Kengaytma har doim siqishni emas, konteynerni bildiradi. Google’ning audio optimallashtirish qo‘llanmasi kodek va fayl formati bir xil emasligini tushuntiradi:
- WAV odatda siqilmagan chiziqli PCM saqlaydi, lekin boshqa kodlashlarni ham o‘z ichiga olishi mumkin (Kongress kutubxonasi, WAVE).
- M4A yo‘qotishli AAC yoki yo‘qotishsiz Apple Lossless (ALAC) bo‘lishi mumkin.
- OGG odatda ikkalasi ham yo‘qotishli Opus yoki Vorbis’ni saqlaydigan konteynerdir.
Fayl ichidagi audio oqimlarini FFmpeg’ning ffprobe vositasi bilan ko‘rish mumkin:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
Buyruq har bir audio oqim uchun satr chiqaradi. Natija bo‘lmasa, faylda audio oqimi yo‘qligini tekshirish mumkin.
Transkripsiya uchun audio formatlarni taqqoslash
Quyidagi barcha formatlar transkripsiya qilinadi. Tafovut saqlangan tafsilotlar va fayl hajmida. Hajmlar keyingi bo‘lim formulalariga asoslangan (1 MB = 1,000,000 bayt).
| Format | Yo‘qotishli yoki yo‘qotishsiz | Odatdagi manba | Bir daqiqadagi hajm (misol) | Transkripsiyaga ta’sir | Tavsiya |
|---|---|---|---|---|---|
| WAV (PCM) | Siqilmagan | Diktofonlar, audio muharrirlar | 16 kHz, 16-bit, mono: 1.92 MB; 44.1 kHz, 16-bit, stereo: 10.58 MB | Mikrofon yozgan barcha ma’lumotni saqlaydi | Asl nusxa uchun yaxshi; uzun yozuvlarda hajmga e’tibor bering |
| FLAC | Yo‘qotishsiz siqilgan | Arxiv, muharrir eksporti | Bir xil WAV’dan kichik; tejamkorlik turlicha | WAV’dagi audio bilan bir xil | Joy tejash uchun WAV o‘rniga ishlating |
| AIFF / ALAC / CAF | AIFF odatda siqilmagan; ALAC yo‘qotishsiz; CAF ikkalasini ham saqlaydi | Mac va iPhone ilovalari | AIFF: bir xil sozlamada WAV bilan teng | Ichidagi kodekka bog‘liq | Asl holida yuklang |
| MP3 | Yo‘qotishli | Podkastlar, yuklamalar | 128 kbps’da 0.96 MB | Google: yo‘qotishli kodeklar aniqlikni kamaytirishi mumkin | Asl holida yuklang |
| M4A / AAC | Odatda yo‘qotishli (AAC) | Ovozli qaydlar, video ovozi | 64 kbps’da 0.48 MB | MP3’dagi ogohlantirish amal qiladi | Asl nusxani yuklang |
| OGG / Opus | Yo‘qotishli | Xabar ovozli qaydlari, internet qo‘ng‘iroqlari | 32 kbps’da 0.24 MB | Opus Google’ning afzal yo‘qotishli nutq kodeklari ro‘yxatida | Asl holida yuklang |
| AMR (tor polosali) | Yo‘qotishli, faqat nutq | Eski telefonlar va qo‘ng‘iroq yozuvchilari | 12.2 kbps’da taxminan 0.09 MB | Faqat 200–3,400 Hz ni saqlaydi (Kongress kutubxonasi, AMR) | Asl holida yuklang; chastotani oshirmang |
Video fayllarda ham vosita audio yo‘lakni o‘qiydi; farq faqat yuklash hajmida.
Audio fayl hajmi qancha? Formulalar
Ikki formula yozish yoki yuklashdan oldin hajmni taxminlashga yordam beradi.
Siqilmagan PCM (WAV, AIFF):
sekundiga bayt = diskretlash chastotasi × (bit chuqurligi ÷ 8) × kanallar
Misollar:
- 16 kHz, 16-bit, mono: 16,000 × 2 × 1 = 32,000 bayt/sekund. × 60 = 1,920,000 bayt, taxminan 1.92 MB/daqiqa yoki 115.2 MB/soat.
- 44.1 kHz, 16-bit, stereo: 44,100 × 2 × 2 = 176,400 bayt/sekund, taxminan 10.58 MB/daqiqa yoki 635 MB/soat.
- 48 kHz, 24-bit, stereo: 48,000 × 3 × 2 = 288,000 bayt/sekund yoki 1,036.8 MB/soat.
Doimiy bitreytli yo‘qotishli format (MP3, AAC, Opus):
daqiqasiga bayt = kbps dagi bitreyt × 1,000 ÷ 8 × 60 (ya’ni kbps × 7,500)
- 128 kbps: 128 × 7,500 = 960,000 bayt, taxminan 0.96 MB/daqiqa yoki 57.6 MB/soat.
- 64 kbps: 0.48 MB/daqiqa; 32 kbps: 0.24 MB/daqiqa.
Haqiqiy fayllar sarlavhalar sabab biroz kattaroq, o‘zgaruvchan bitreyt esa o‘rtacha qiymat atrofida o‘zgaradi. Ikkilik birliklarni (MiB) ko‘rsatadigan kompyuterlarda sonlar taxminan 5% kichikroq bo‘ladi.
Bu raqamlar 5GB va 10 soatlik yuklash chegarasida nimani bildiradi?
whispertranscribe.ai 5GB va 10 soatgacha fayllarni qabul qiladi. 5GB = 5,000,000,000 bayt deb olinsa:
| Sozlama | 1 soat | 10 soat | 10 soat 5GB ichiga sig‘adimi? |
|---|---|---|---|
| WAV, 16 kHz, 16-bit, mono | 115.2 MB | 1.15 GB | Ha |
| WAV, 44.1 kHz, 16-bit, stereo | 635 MB | 6.35 GB | Yo‘q: taxminan 7.9 soat sig‘adi |
| WAV, 48 kHz, 24-bit, stereo | 1.04 GB | 10.37 GB | Yo‘q: taxminan 4.8 soat sig‘adi |
| MP3, 128 kbps | 57.6 MB | 576 MB | Ha |
| Opus, 32 kbps | 14.4 MB | 144 MB | Ha |
Oddiy WAV’ning ham chegarasi bor: 32-bit hajm maydoni uni taxminan 4 GB bilan cheklaydi, uzun yozuvlar uchun RF64 kerak (Kongress kutubxonasi). Juda uzun yo‘qotishsiz yozuvlarda FLAC yoki 16 kHz mono WAV ikkala muammoni chetlab o‘tadi.
Audio formatdan ham muhimroq omillar
Mikrofonga yaqin aniq ovozli MP3 odatda shovqinli xonaning narigi tomonidan yozilgan yo‘qotishsiz fayldan yaxshiroq bo‘ladi. Quyidagi sozlamalar va odatlar natijani belgilaydi.
Diskretlash chastotasi: 16 kHz yetarlimi?
Nutq uchun ha. Google 16,000 Hz yoki undan yuqorini tavsiya qiladi (eng yaxshi amaliyotlar); pastroq chastotada 8 kHz dan yuqorida kam ma’lumot qoladi yoki umuman qolmaydi. OpenAI’ning ochiq manbali Whisper kodi barcha kirishni modeldan oldin 16,000 Hz mono ga aylantiradi (whisper/audio.py). 44.1 yoki 48 kHz’da yozish ham mumkin, faqat hajm kattaroq bo‘ladi.
Chastotani keyin oshirish yordam bermaydi: Google ta’kidlashicha, 8 kHz fayl 44.1 kHz ga oshirilsa ham taxminan 4 kHz gacha chastota ma’lumotini saqlaydi. Odatda 8,000 Hz bo‘lgan telefon audiosini asl chastotada yuklang.
Bit chuqurligi: 16-bit yoki 24-bit?
Google 16 bit yoki undan yuqorini tavsiya qiladi va 8-bit audioni 16-bitga aylantirish foyda bermasligini aytadi, chunki dinamik diapazon yozuv vaqtida belgilangan. Diktofonda yozilgan 24-bitni saqlash zarar qilmaydi; 16-bitni 24-bitga aylantirish ma’lumot qo‘shmaydi.
Siqilgan fayllar uchun bitreyt
Hech qanday standart yaxshi transkripsiyani kafolatlaydigan bitreyt belgilamaydi. Google tavsiyasi kodek turiga taalluqli: yo‘qotishli kodeklar aniqlikni kamaytirishi, shovqin va aks-sado esa yo‘qotishli siqishda ko‘proq zarar yetkazishi mumkin. Siqish zarur bo‘lsa, bir marta o‘rtacha sozlamada bajaring va WAV’dan MP3’ga, keyin OGG’ga aylantirish kabi zanjirlardan qoching.
Mikrofon masofasi, shovqin va darajalar
Google’ning dastlabki ishlov tavsiyalaridan:
- Mikrofonni imkon qadar so‘zlovchiga yaqin qo‘ying, ayniqsa orqa fonda shovqin bo‘lsa.
- Clipping’dan saqlaning. Buzilgan cho‘qqilarni keyin tiklab bo‘lmaydi.
- Ilova imkon bersa, avtomatik kuchaytirish va shovqinni kamaytirishni o‘chiring. Google’ga ko‘ra, tanishdan oldingi shovqinni kamaytirish odatda aniqlikni pasaytiradi.
Mono yoki stereo?
Bitta umumiy mikrofon uchun mono yetarli. Whisper stereoni baribir monoga aralashtiradi; ikki tomonda bir xil ovoz bo‘lsa stereo faqat hajmni ikki baravar oshiradi. Har bir kanalda boshqa odam bo‘lsa, masalan, ayrim qo‘ng‘iroq yozuvchilarida yoki har bir odamning alohida mikrofonida, stereoni saqlang. Google bunday kanallarni alohida yuborishni, aralash yozuvni esa asl holida yuborishni tavsiya qiladi.
Ko‘p yo‘lakli yozuvlar
Podkast va masofaviy intervyu vositalari ko‘pincha har bir odamni alohida yo‘lakka yozadi. Bitta aralash yo‘lakni eksport qilib so‘zlovchi belgilarini yoqing (osonroq) yoki har bir yo‘lakni alohida transkripsiya qilib matnlarni vaqt belgilari bo‘yicha birlashtiring (audio tozaroq, ammo birlashtirishni o‘zingiz bajarasiz).
Vaziyatga qarab tavsiya etilgan format va sozlamalar
Ko‘proq uchraydigan holat — fayl allaqachon mavjud; javob odatda uni yuklashdir.
| Vaziyat | Yozish formati (tanlov bo‘lsa) | Mavjud fayl | Yuklashdan oldin | E’tibor bering |
|---|---|---|---|---|
| Yuzma-yuz intervyu | WAV yoki FLAC, har mikrofon uchun mono, 44.1 yoki 48 kHz | Telefonda M4A yoki MP3 | Ism va atamalarni qayd eting | Mehmon ovozi intervyuchidan past bo‘lishi |
| Masofaviy intervyu yoki podkast, alohida yo‘laklar | Har bir so‘zlovchining yo‘qotishsiz yo‘lagi | Alohida WAV’lar va aralash MP3 | Aralash yoki alohida yo‘lakni tanlang | Aralashmada ustma-ust gapirish |
| Uchrashuv yozuvi (Zoom, Teams, Meet) | Platforma taklif etsa, audio sozlamasi | MP4 yoki M4A | Video juda katta bo‘lsagina audioni ajrating | Butun xona uchun bitta noutbuk mikrofoni |
| Telefon ovozli qaydi | Ilovaning standart sozlamasi | .m4a | Asl nusxani eksport qiling | Yozuv paytida telefon cho‘ntakda bo‘lishi |
| Nashr qilingan podkast epizodi | Tegishli emas | Chiqarilgan MP3 | Bo‘lsa, nashrdan oldingi WAV yoki FLAC’dan foydalaning | Musiqali kirish; tilni tanlang |
| Ma’ruza yoki seminar | Mono, 16-bit, mikrofon ma’ruzachiga yaqin | Uzun MP3 yoki video | 10 soat chegarasini tekshiring | Tinglovchi savollari mikrofondan uzoq bo‘lishi |
| Telefon qo‘ng‘irog‘i yozuvi | Yozuvchining standart sozlamasi | AMR, M4A yoki 8 kHz WAV | Asl diskretlash chastotasini saqlang | Rozilik qoidalari; chastotani oshirmang |
Qo‘ng‘iroqni yozishdan oldin kerakli rozilikni oling. Telefon qo‘ng‘irog‘ini yozish va shtatlar bo‘yicha yozib olish qonunlari qo‘llanmalariga qarang. Bu yuridik maslahat emas.
FFmpeg yordamida audioni transkripsiya uchun aylantirish
Faqat sabab bo‘lsa aylantiring: fayl juda katta, videodan yengilroq yuklama kerak, vosita kodekni qabul qilmaydi yoki so‘zlovchilarni alohida fayllarga ajratmoqchisiz. «Sifatni yaxshilash» uchun aylantirish ishlamaydi.
Ushbu buyruqlar shu maqola uchun sinab ko‘rilmagan; natijani ffprobe bilan kodek, diskretlash chastotasi va kanallar bo‘yicha tekshirish mumkin. Parametrlar FFmpeg hujjatlarida tushuntirilgan.
1. Istalgan faylni 16 kHz mono 16-bit WAV’ga (Whisper ichkarida aylantiradigan shakl):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. Istalgan faylni 16 kHz mono FLAC’ga (yo‘qotishsiz va odatda WAV’dan kichik):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. Videodan kichik mono MP3 (yana bir yo‘qotishli bosqich; hajm muhim bo‘lsa):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. Videodan audioni qayta kodlamasdan ajratish (audio AAC bo‘lsa ishlaydi, MP4’da ko‘p uchraydi):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. Ikki kanalli yozuvni har bir so‘zlovchi uchun ajratish (channelsplit filtri):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| Parametr | Vazifasi |
|---|---|
-ac 1 |
Audioni bir kanalga aralashtiradi |
-ar 16000 |
Chiqish chastotasini 16,000 Hz qiladi |
-c:a pcm_s16le |
16-bit siqilmagan PCM yozadi (standart WAV) |
-vn |
Video oqimini olib tashlaydi |
-c:a copy |
Audioni sifatini o‘zgartirmay nusxalaydi |
-b:a 64k |
Yo‘qotishli bitreytni belgilaydi |
Video audiosi allaqachon AAC bo‘lsa, asl sifatni saqlaydigan 4-buyruqni 3-buyruqdan afzal ko‘ring. 8 kHz telefon audiosida chastotani oshirmaslik uchun -ar 16000 ni qo‘shmang.
Buyruq satridan foydalanmaysizmi? whispertranscribe.ai’ning audio va videoni MP3’ga aylantirgichi MP4, MOV, MKV, WEBM yoki AVI’dan audio yo‘lakni brauzerda ajratadi. Sahifaga ko‘ra u WebAssembly ishlatadi va fayllar yuklanmay, brauzerda qayta ishlanadi.
Katta fayllar: 5GB va 10 soat ichida qolish
- Juda katta, lekin 10 soatdan qisqa: odatda video yoki yuqori aniqlikdagi WAV. Audioni ajrating (4-buyruq yoki brauzer konverteri) yoki WAV’ni FLAC’ga aylantiring (2-buyruq).
- 10 soatdan uzun: yuklash sahifasida «Hozircha faqat 10 soatgacha fayllar qayta ishlanadi; faylni qisqartirib qayta urinib ko‘ring» degan xabar chiqadi. Uni bo‘ling. MP3’ni matnga aylantirish qo‘llanmasidagi qayta kodlamasdan bo‘lish buyrug‘i WAV’da ham ishlaydi. Matnlarni birlashtirganda tutash joylarni tekshiring.
- Sekin aloqa: 64 kbps MP3’ning bir soati taxminan 28.8 MB, CD uslubidagi stereo WAV esa 635 MB. Arxiv uchun yo‘qotishsiz asl nusxani saqlang.
Audio format muammolarini bartaraf etish
| Muammo | Ehtimoliy sabab | Nima qilish kerak |
|---|---|---|
| «Audio aniqlanmadi. Fayl shikastlangan bo‘lishi mumkin. Tekshirib qayta urinib ko‘ring» (yuklash sahifalaridagi xabar) | Fayl shikastlangan, video tovushsiz eksport qilingan yoki audio yo‘lak bo‘sh | Faylni mahalliy ijro eting; yuqoridagi ffprobe tekshiruvini bajaring (natija yo‘q bo‘lsa audio oqimi yo‘q); asl ilovadan qayta eksport qiling |
| Yuklash uzunligi sabab rad etildi | Fayl 10 soatdan uzun | 10 soat yoki qisqaroq qismlarga bo‘ling |
| Fayl juda katta | Video yoki yuqori aniqlikdagi ko‘p kanalli WAV | Audioni ajrating yoki WAV’ni FLAC’ga aylantiring |
| 4 GB dan katta WAV ochilmaydi yoki yuklanmaydi | Oddiy WAV hajm chegarasi | RF64 yoki FLAC sifatida qayta eksport qiling yoki bo‘ling |
| Bir so‘zlovchi boshqasidan ancha past | Har bir odam boshqa kanalda, turli darajada yozilgan | Kanallarni ajrating (5-buyruq) va alohida transkripsiya qiling |
| Buzilgan, qarsillagan cho‘qqilar | Yozish paytidagi clipping | Tiklab bo‘lmaydi; keyingi safar kirish kuchaytirishini kamaytiring |
| Telefon audiosi 48 kHz ga aylantirgandan keyin ham yomon | Chastotani oshirish ma’lumot qo‘shmaydi | Asl nusxani yuklang; mavjud bo‘lsa «Noise / Low-Quality Audio/Video» til variantini sinang |
whispertranscribe.ai qanday yordam beradi?
whispertranscribe.ai — OpenAI Whisper modellari bilan ishlaydigan brauzer transkripsiya vositasi (ilova, API yoki inson korrekturasi yo‘q). Bepul audio-matn konverteri va boshqa yuklash sahifalarida MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG va MPEG ko‘rsatilgan.
- Chegaralar: 5GB va 10 soatgacha fayllar.
- Tillar: 130+ til, ko‘pchiligida «Noise / Low-Quality Audio/Video» variantlari.
- Aniqlik: tiniq audioda 99% gacha. Shovqin, masofa, aksent va ustma-ust gapirish uni kamaytiradi.
- So‘zlovchilar: transkripsiyadan oldin Speaker Detection’ni yoqing.
- Eksport: DOCX, PDF, TXT, CSV, SRT va VTT.
- Maxfiylik: maxfiylik siyosatiga ko‘ra asl yuklamalar qayta ishlangandan keyin o‘chiriladi, ajratilgan MP3 fayllar esa sukut bo‘yicha 30 kun saqlanadi.
Muayyan yozuvlar uchun MP3 fayllar, ovozli qaydlar, telefon qo‘ng‘iroqlari, intervyular va ma’ruza va seminarlar sahifalariga qarang. Faylni akkauntsiz bepul sahifada sinang (chegaralar o‘sha yerda ko‘rsatiladi). Pullik rejalar yillik to‘lovda $9.99/oydan boshlanadi (narxlar). Boshqa imkoniyatlar funksiyalar sahifasida.
Ko‘p so‘raladigan savollar
Transkripsiya uchun eng yaxshi audio format qaysi?
Yozuvni o‘zingiz sozlasangiz, WAV yoki FLAC, yaxshisi mono, 16 kHz yoki undan yuqori va 16-bit chuqurlikda. MP3, M4A yoki Opus kabi siqilgan fayl mavjud bo‘lsa, aylantirmay asl holida yuklang. Yaqin mikrofon, kam fon shovqini va clipping yo‘qligi odatda format tanlovidan muhimroq.
Transkripsiyada WAV MP3’dan yaxshimi?
Manbadan WAV’da yozish MP3’ga qaraganda ko‘proq tafsilotni saqlaydi; Google MP3 kabi yo‘qotishli kodeklar aniqlikni kamaytirishi mumkinligini aytadi. Tiniq nutqda farq ko‘pincha kichik, shovqinli yozuvda kattaroq bo‘ladi. Mavjud MP3’dan yaratilgan WAV yaxshiroq emas, chunki tashlangan tafsilot yo‘qolgan. Imkon bo‘lsa WAV yoki FLAC’da yozing, MP3’ni asl holida yuklang.
Transkripsiya uchun qanday diskretlash chastotasi kerak?
16 kHz yoki yuqori. Google nutqni tanish uchun kamida 16,000 Hz tavsiya qiladi, OpenAI Whisper esa barcha audioni qayta ishlashdan oldin 16 kHz monoga aylantiradi. 44.1 yoki 48 kHz’da yozish odatiy va mumkin. Past chastotani keyin oshirmang: 8 kHz telefon yozuvini 8 kHz’da yuklang, chunki oshirish hajm qo‘shadi, ammo nutq ma’lumotini qo‘shmaydi.
Mono yoki stereo yozish kerakmi?
Hamma bir mikrofondan foydalansa, mono yozing. Whisper stereoni monoga aralashtiradi, shu sababli bir xil ovozli stereo nusxa hajmni ikki baravar oshiradi. Har bir so‘zlovchi alohida kanalda bo‘lsa, masalan, qo‘ng‘iroq yozuvchida yoki har mehmonning mikrofoni bo‘lsa, stereo yoki ko‘p yo‘lakni saqlang. Google kanallarni alohida transkripsiya qilishni tavsiya qiladi; FFmpeg bilan ularni ajratishingiz mumkin.
WAV faylning bir daqiqasi qancha joy oladi?
Sozlamalarga bog‘liq: sekundiga baytni topish uchun chastotani har namuna baytlari va kanallar soniga ko‘paytiring. 16 kHz, 16-bit mono WAV: 16,000 × 2 × 1 = 32,000 bayt/sekund, taxminan 1.92 MB/daqiqa yoki 115.2 MB/soat. CD uslubidagi 44.1 kHz, 16-bit stereo taxminan 10.58 MB/daqiqa yoki 635 MB/soat.
Audioni ajratmasdan video fayl yuklasam bo‘ladimi?
Ha. Transkripsiya vositalari audio yo‘lakni o‘qiydi, tasvirni hisobga olmaydi; shuning uchun MP4, MOV, MKV yoki WEBM uning ajratilgan audiosi bilan bir xil transkript beradi. Video faqat yuklash hajmini oshiradi. Fayl hajm chegarasiga yaqin bo‘lsa yoki aloqa sekin bo‘lsa, masalan, FFmpeg’ning -vn -c:a copy buyrug‘i bilan audioni asl sifatda ajrating. whispertranscribe.ai’da videoni asl holida yuklab DOCX, TXT, SRT yoki VTT eksport qilish mumkin.
Yozuvingiz tayyormi? Uni whispertranscribe.ai’ning bepul audio-matn konverteriga asl holida yuklang: 130+ tildan birini tanlang, Speaker Detection’ni yoqing va DOCX, TXT, SRT yoki VTT yuklab oling. 5GB va 10 soatgacha fayllar.
Manbalar
- Google Cloud: Speech-to-Text uchun nutq ma’lumotlari bo‘yicha tavsiyalar
- Google Cloud: Speech-to-Text uchun audio fayllarni optimallashtirish
- OpenAI: Whisper GitHub repositoriyasidagi whisper/audio.py
- FFmpeg: ffmpeg buyruq satri hujjatlari va channelsplit filtri
- Kongress kutubxonasi: WAVE audio fayl formati (fdd000001)
- Kongress kutubxonasi: AMR, Adaptive Multi-Rate Speech Codec (fdd000254)
