Bởi Ban biên tập whispertranscribe.ai · Cập nhật lần cuối: tháng 11 năm 2026 · 12 phút đọc
Định dạng âm thanh tốt nhất để phiên âm là âm thanh không mất dữ liệu, WAV (PCM 16-bit) hoặc FLAC, ghi mono ở 16 kHz trở lên khi bạn kiểm soát việc ghi. Nếu đã có tệp MP3, M4A hoặc video, hãy tải nguyên trạng. Chuyển đổi tệp nén không khôi phục được chi tiết đã mất, còn khoảng cách micrô và tiếng ồn ảnh hưởng nhiều hơn đến kết quả.
Dưới đây là cách chọn trước khi ghi, xử lý tệp được giao, công thức dung lượng, cài đặt theo tình huống, lệnh FFmpeg và bảng khắc phục sự cố.
Công bố. whispertranscribe.ai xuất bản hướng dẫn này. Các nhận định kỹ thuật dẫn nguồn Google Cloud, mã Whisper của OpenAI, FFmpeg hoặc Thư viện Quốc hội Mỹ. Chúng tôi không kiểm tra độ chính xác cho bài này và không hứa định dạng nào tăng một tỷ lệ chính xác cố định.
Trả lời nhanh: định dạng âm thanh tốt nhất để phiên âm
Chọn theo giai đoạn công việc, thay vì tìm một “người thắng” duy nhất.
| Tình huống | Lựa chọn tốt nhất | Lý do |
|---|---|---|
| Bạn đang cài đặt máy hoặc ứng dụng ghi âm | WAV (16-bit) hoặc FLAC, mono, 16 kHz trở lên | Google khuyến nghị FLAC hoặc LINEAR16 không mất dữ liệu cho nhận dạng giọng nói |
| Bạn cần tệp nhỏ khi ghi | Codec mất dữ liệu phù hợp giọng nói ở bitrate vừa phải | Codec mất dữ liệu được Google ưu tiên cho lời nói theo thứ tự: AMR-WB, Ogg Opus, Speex |
| Bạn đã có tệp MP3, M4A hoặc Opus | Tải tệp gốc | Mã hóa lại không khôi phục được dữ liệu |
| Bạn có video (MP4, MOV, MKV) | Tải lên; trích âm thanh nếu tệp quá lớn | Chỉ đường âm thanh được sử dụng |
| Người nói được ghi trên các đường riêng | Giữ các đường riêng | Google khuyên gửi từng kênh riêng khi mỗi người có kênh riêng |
Khi không cần lo về định dạng: ghi nhớ giọng nói trên điện thoại, tập podcast đã xuất bản hoặc bản ghi Zoom hay Teams. Hãy tải lên, chọn đúng ngôn ngữ nói và dành thời gian kiểm tra tên.
Định dạng, codec và định dạng chứa: phần mở rộng tệp che giấu điều gì?
Phần mở rộng cho biết định dạng chứa, không phải lúc nào cũng cho biết cách nén. Hướng dẫn tối ưu âm thanh của Google nói rõ: codec và định dạng tệp không giống nhau. Ba điều thường gây bất ngờ:
- WAV thường chứa PCM tuyến tính không nén, nhưng cũng có thể chứa các mã hóa khác (Thư viện Quốc hội Mỹ, WAVE).
- M4A có thể chứa AAC mất dữ liệu hoặc Apple Lossless (ALAC) không mất dữ liệu.
- OGG là định dạng chứa thường dùng Opus hoặc Vorbis, cả hai đều mất dữ liệu.
Để xem nội dung thực tế trong tệp, dùng ffprobe của FFmpeg để chỉ xem các luồng âm thanh:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
Lệnh này dùng để hiển thị một dòng cho mỗi luồng âm thanh; nếu không có luồng âm thanh, đầu ra trống có thể giúp phát hiện tệp không có đường tiếng trước khi tải lên. Thử nghiệm FFmpeg 4.3 trên macOS đã kiểm tra năm chuyển đổi, trích xuất SRT và chia đoạn WAV; lệnh kiểm tra video không có âm thanh này chưa được kiểm tra riêng.
So sánh định dạng âm thanh để phiên âm
Mọi định dạng dưới đây đều có thể phiên âm. Khác biệt là lượng chi tiết còn lại và dung lượng tệp. Dung lượng lấy từ công thức ở phần tiếp theo (1 MB = 1,000,000 byte).
| Định dạng | Mất dữ liệu hay không | Nguồn thường gặp | Dung lượng mỗi phút (cài đặt ví dụ) | Ảnh hưởng đến phiên âm | Nên làm gì |
|---|---|---|---|---|---|
| WAV (PCM) | Không nén | Máy ghi âm hiện trường, trình chỉnh sửa âm thanh | 1.92 MB ở 16 kHz, 16-bit, mono; 10.58 MB ở 44.1 kHz, 16-bit, stereo | Giữ mọi thứ micrô thu được | Bản gốc tốt nhất; lưu ý dung lượng phiên dài |
| FLAC | Không mất dữ liệu (có nén) | Lưu trữ, bản xuất trình chỉnh sửa | Nhỏ hơn WAV tương ứng; mức tiết kiệm khác nhau | Cùng âm thanh như WAV | Dùng thay WAV để tiết kiệm chỗ |
| AIFF / ALAC / CAF | AIFF thường không nén; ALAC không mất dữ liệu; CAF có thể chứa cả hai | Ứng dụng Mac và iPhone | AIFF: bằng WAV cùng cài đặt | Tùy codec bên trong | Tải nguyên trạng |
| MP3 | Mất dữ liệu | Podcast, tệp tải xuống | 0.96 MB ở 128 kbps | Google: codec mất dữ liệu có thể giảm độ chính xác | Tải nguyên trạng |
| M4A / AAC | Thường mất dữ liệu (AAC) | Ghi nhớ giọng nói, đường tiếng video | 0.48 MB ở 64 kbps | Lưu ý giống MP3 | Tải bản gốc |
| OGG / Opus | Mất dữ liệu | Tin nhắn thoại, cuộc gọi web | 0.24 MB ở 32 kbps | Opus nằm trong danh sách codec mất dữ liệu Google ưu tiên cho lời nói | Tải nguyên trạng |
| AMR (băng hẹp) | Mất dữ liệu, chỉ lời nói | Điện thoại và máy ghi cuộc gọi cũ | Khoảng 0.09 MB ở 12.2 kbps | Chỉ mang 200 đến 3,400 Hz (Thư viện Quốc hội Mỹ, AMR) | Tải nguyên trạng; không tăng tần số lấy mẫu |
Video hoạt động tương tự: công cụ đọc đường âm thanh, nên chi phí duy nhất là dung lượng tải lên lớn hơn.
Tệp âm thanh lớn bao nhiêu? Các công thức
Hai công thức giúp ước tính dung lượng tệp trước khi ghi hoặc tải lên.
PCM không nén (WAV, AIFF):
bytes per second = sample rate × (bit depth ÷ 8) × channels
Ví dụ tính toán:
- 16 kHz, 16-bit, mono: 16,000 × 2 × 1 = 32,000 byte mỗi giây. × 60 = 1,920,000 byte, khoảng 1.92 MB mỗi phút, hoặc 115.2 MB mỗi giờ.
- 44.1 kHz, 16-bit, stereo: 44,100 × 2 × 2 = 176,400 byte mỗi giây, khoảng 10.58 MB mỗi phút, hoặc 635 MB mỗi giờ.
- 48 kHz, 24-bit, stereo: 48,000 × 3 × 2 = 288,000 byte mỗi giây, hoặc 1,036.8 MB mỗi giờ.
Âm thanh mất dữ liệu với bitrate không đổi (MP3, AAC, Opus):
bytes per minute = bitrate in kbps × 1,000 ÷ 8 × 60 (tức kbps × 7,500)
- 128 kbps: 128 × 7,500 = 960,000 byte, khoảng 0.96 MB mỗi phút, hoặc 57.6 MB mỗi giờ.
- 64 kbps: 0.48 MB mỗi phút; 32 kbps: 0.24 MB mỗi phút.
Tệp thực tế lớn hơn một chút do phần đầu tệp, còn tệp bitrate biến đổi dao động quanh giá trị trung bình. Máy tính hiển thị đơn vị nhị phân (MiB) cho số thấp hơn khoảng 5%.
Các con số này có ý nghĩa gì với giới hạn tải lên 5GB, 10 giờ?
whispertranscribe.ai nhận tệp tối đa 5GB và 10 giờ. Dưới đây là cách các cài đặt phổ biến đáp ứng giới hạn, giả sử 5GB nghĩa là 5,000,000,000 byte:
| Cài đặt | 1 giờ | 10 giờ | 10 giờ có dưới 5GB không? |
|---|---|---|---|
| WAV, 16 kHz, 16-bit, mono | 115.2 MB | 1.15 GB | Có |
| WAV, 44.1 kHz, 16-bit, stereo | 635 MB | 6.35 GB | Không: chứa khoảng 7.9 giờ |
| WAV, 48 kHz, 24-bit, stereo | 1.04 GB | 10.37 GB | Không: chứa khoảng 4.8 giờ |
| MP3, 128 kbps | 57.6 MB | 576 MB | Có |
| Opus, 32 kbps | 14.4 MB | 144 MB | Có |
Tệp WAV truyền thống cũng có giới hạn riêng: trường kích thước 32-bit giới hạn khoảng 4 GB và bản ghi dài hơn cần phần mở rộng RF64 (Thư viện Quốc hội Mỹ). Với bản ghi không mất dữ liệu rất dài, FLAC hoặc WAV mono 16 kHz tránh được cả hai vấn đề.
Điều gì quan trọng hơn định dạng âm thanh?
Giọng nói rõ gần micrô lưu dưới dạng MP3 thường tốt hơn tệp không mất dữ liệu được ghi từ phía bên kia căn phòng ồn. Các cài đặt và thói quen sau quyết định phần lớn kết quả.
Tần số lấy mẫu: 16 kHz có đủ không?
Có, với lời nói. Google khuyến nghị 16,000 Hz trở lên (hướng dẫn tốt nhất); hướng dẫn giải thích tần số thấp hơn để lại ít hoặc không có thông tin trên 8 kHz. Mã Whisper mã nguồn mở của OpenAI chuyển mọi đầu vào thành mono 16,000 Hz trước khi mô hình xử lý (whisper/audio.py). Ghi ở 44.1 hoặc 48 kHz vẫn được, chỉ lớn hơn.
Tăng tần số sau đó không giúp ích: Google lưu ý tệp 8 kHz được nâng lên 44.1 kHz vẫn chỉ chứa dải tần khoảng 4 kHz. Hãy tải âm thanh điện thoại, thường là 8,000 Hz, với tần số gốc.
Độ sâu bit: 16-bit hay 24-bit?
Google khuyến nghị 16 bit trở lên và nói chuyển âm thanh 8-bit sang 16-bit không có lợi vì dải động đã được cố định khi ghi. Giữ 24-bit từ máy ghi không gây hại; chuyển 16-bit lên 24-bit không thêm thông tin.
Bitrate cho tệp nén
Không có tiêu chuẩn nào đặt ra bitrate bảo đảm phiên âm tốt. Hướng dẫn của Google nói về loại codec: codec mất dữ liệu có thể giảm độ chính xác, và tiếng ồn hoặc tiếng vang gây hại hơn khi có nén mất dữ liệu. Nếu phải nén, hãy nén một lần ở mức vừa phải và tránh chuỗi như WAV sang MP3 sang OGG.
Khoảng cách micrô, tiếng ồn và mức âm
Theo lời khuyên tiền xử lý của Google:
- Đặt micrô gần người nói nhất có thể, đặc biệt khi có tiếng ồn nền.
- Tránh clipping. Các đỉnh âm bị méo không thể khôi phục sau đó.
- Tắt điều chỉnh độ lợi tự động và giảm tiếng ồn nếu ứng dụng cho phép. Google cho biết xử lý giảm nhiễu trước nhận dạng thường làm giảm độ chính xác.
Mono hay stereo?
Với một micrô dùng chung, mono là đủ. Whisper dù sao cũng trộn stereo xuống mono, nên stereo chứa cùng giọng ở cả hai bên chỉ tăng gấp đôi dung lượng tải lên. Nên giữ stereo khi mỗi bên chứa một người khác nhau, như nhiều máy ghi cuộc gọi hoặc mỗi kênh có một micrô cài áo. Khi đó Google khuyên gửi từng kênh riêng; với bản đã trộn, hãy gửi nguyên trạng.
Bản ghi nhiều đường tiếng
Công cụ podcast và phỏng vấn từ xa thường ghi mỗi người trên một đường riêng. Bạn có thể xuất một đường đã trộn và bật nhãn người nói (đơn giản nhất), hoặc phiên âm từng đường riêng rồi ghép văn bản theo dấu thời gian (âm thanh sạch nhất nhưng bạn phải tự ghép).
Định dạng và cài đặt khuyến nghị theo tình huống
Tình huống “đã có sẵn” phổ biến hơn và câu trả lời thường là “tải lên”.
| Tình huống | Ghi dưới dạng (nếu được chọn) | Nếu đã có | Trước khi tải lên | Cần lưu ý |
|---|---|---|---|---|
| Phỏng vấn trực tiếp | WAV hoặc FLAC, mono cho mỗi micrô, 44.1 hoặc 48 kHz | M4A hoặc MP3 từ điện thoại | Ghi lại tên và thuật ngữ | Khách nói nhỏ hơn người phỏng vấn |
| Phỏng vấn từ xa hoặc podcast, từng đường | Mỗi người một đường riêng, không mất dữ liệu | Các WAV riêng và MP3 đã trộn | Chọn bản trộn hoặc từng đường | Lời nói chồng trong bản trộn |
| Bản ghi cuộc họp (Zoom, Teams, Meet) | Tùy chọn âm thanh của nền tảng nếu có | MP4 hoặc M4A | Chỉ trích âm thanh nếu video quá lớn | Một micrô laptop cho cả phòng |
| Ghi nhớ giọng nói điện thoại | Mặc định của ứng dụng | .m4a | Xuất bản gốc | Điện thoại để trong túi khi ghi |
| Tập podcast đã xuất bản | Không áp dụng | MP3 đã phát hành | Dùng WAV hoặc FLAC trước phát hành nếu có | Nhạc mở đầu; đặt ngôn ngữ |
| Bài giảng hoặc hội thảo | Mono, 16-bit, micrô gần giảng viên | MP3 hoặc video dài | Kiểm tra thời lượng so với 10 giờ | Câu hỏi khán giả ở xa micrô |
| Ghi âm cuộc gọi | Mặc định của máy ghi | AMR, M4A hoặc WAV 8 kHz | Giữ tần số lấy mẫu gốc | Quy tắc đồng ý; không tăng tần số lấy mẫu |
Trước khi ghi cuộc gọi, hãy nhận sự đồng ý cần thiết của người tham gia và phép của người tổ chức, đồng thời tuân thủ mọi lệnh cấm ghi âm. Hướng dẫn cách ghi âm cuộc gọi và luật ghi âm cuộc gọi theo bang đề cập vấn đề này. Đây không phải tư vấn pháp lý.
Cách chuyển đổi âm thanh để phiên âm bằng FFmpeg
Chỉ chuyển đổi khi có lý do: tệp quá lớn, muốn tải âm thanh nhẹ hơn từ video, công cụ từ chối codec hoặc muốn tách người nói thành các tệp riêng. Chuyển đổi để “tăng chất lượng” không hiệu quả.
Chúng tôi đã chạy năm lệnh chuyển đổi bằng FFmpeg 4.3 trên macOS và kiểm tra hoàn tất cùng codec, tần số lấy mẫu và số kênh bằng ffprobe. Thử nghiệm này không đo độ chính xác phiên âm. Các tùy chọn được giải thích trong tài liệu FFmpeg.
1. Chuyển tệp bất kỳ sang WAV mono 16 kHz 16-bit (cùng dạng Whisper chuyển sang bên trong):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. Chuyển tệp bất kỳ sang FLAC mono 16 kHz (không mất dữ liệu và thường nhỏ hơn WAV):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. Chuyển video sang MP3 mono nhỏ (thêm một bước mất dữ liệu; dùng khi dung lượng quan trọng nhất):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. Trích âm thanh khỏi video mà không mã hóa lại (hoạt động khi âm thanh là AAC, thường gặp trong MP4):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. Chia bản ghi hai kênh thành một tệp cho mỗi người nói (dùng bộ lọc channelsplit):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| Tùy chọn | Chức năng |
|---|---|
-ac 1 |
Trộn âm thanh thành một kênh |
-ar 16000 |
Đặt tần số lấy mẫu đầu ra thành 16,000 Hz |
-c:a pcm_s16le |
Ghi PCM 16-bit không nén (WAV tiêu chuẩn) |
-vn |
Bỏ luồng video |
-c:a copy |
Sao chép âm thanh nguyên trạng, không thay đổi chất lượng |
-b:a 64k |
Đặt bitrate mất dữ liệu |
Ưu tiên lệnh 4 thay vì lệnh 3 khi âm thanh video đã là AAC vì lệnh 4 giữ chất lượng gốc. Với âm thanh điện thoại 8 kHz, bỏ -ar 16000 để không tăng tần số lấy mẫu.
Không dùng dòng lệnh? Công cụ chuyển âm thanh và video sang MP3 của whispertranscribe.ai trích đường âm thanh từ MP4, MOV, MKV, WEBM hoặc AVI trong trình duyệt. Trang cho biết công cụ dùng WebAssembly và tệp được xử lý trong trình duyệt, không tải lên.
Tệp lớn: giữ dưới 5GB và 10 giờ
- Quá lớn nhưng dưới 10 giờ: thường là video hoặc WAV độ phân giải cao. Trích âm thanh (lệnh 4 hoặc công cụ trình duyệt) hoặc chuyển WAV sang FLAC (lệnh 2).
- Dài hơn 10 giờ: trang tải lên hiển thị “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.” Hãy chia tệp. Lệnh chia không mã hóa lại trong hướng dẫn MP3 thành văn bản cũng hoạt động với WAV; chúng tôi đã kiểm tra trên WAV thử nghiệm. Kiểm tra chỗ nối khi ghép văn bản.
- Kết nối chậm: một giờ MP3 64 kbps khoảng 28.8 MB, so với 635 MB của WAV stereo kiểu CD. Giữ bản gốc không mất dữ liệu để lưu trữ.
Xử lý vấn đề định dạng âm thanh
| Vấn đề | Nguyên nhân có thể | Cách thử |
|---|---|---|
| “No audio detected. The file may be corrupted. Please check the file and try again.” (hiển thị trên trang tải lên của chúng tôi) | Tệp hỏng, video xuất không có tiếng hoặc đường âm thanh trống | Phát trên máy; chạy kiểm tra âm thanh ffprobe ở trên (không có đầu ra nghĩa là không có luồng âm thanh); xuất lại từ ứng dụng gốc |
| Tải lên bị từ chối vì quá dài | Tệp trên 10 giờ | Chia thành các phần tối đa 10 giờ |
| Tệp quá lớn | Video hoặc WAV độ phân giải cao, nhiều kênh | Trích âm thanh hoặc chuyển WAV sang FLAC |
| WAV trên 4 GB không mở hoặc tải lên được | Giới hạn WAV truyền thống | Xuất lại thành RF64 hoặc FLAC, hoặc chia tệp |
| Một người nhỏ tiếng hơn nhiều | Mỗi người ở một kênh riêng, ghi ở mức khác nhau | Chia kênh (lệnh 5) và phiên âm từng tệp |
| Đỉnh âm méo và rè | Clipping trong khi ghi | Không thể khôi phục; giảm độ lợi đầu vào lần sau |
| Âm thanh điện thoại vẫn kém sau khi chuyển sang 48 kHz | Tăng tần số lấy mẫu không thêm thông tin | Tải bản gốc; thử tùy chọn ngôn ngữ “Noise / Low-Quality Audio/Video” nếu có |
Vai trò của whispertranscribe.ai
whispertranscribe.ai là công cụ phiên âm dùng mô hình Whisper của OpenAI, chạy trên trình duyệt web (không có ứng dụng, API hoặc người đọc soát). Công cụ chuyển âm thanh thành văn bản miễn phí và các trang tải lên khác liệt kê các định dạng: MP3, WAV, M4A, AAC, FLAC, OGG, OPUS, AMR, AIFF, ALAC, CAF, MP4, MOV, M4V, MKV, AVI, WMV, WEBM, MPG và MPEG.
- Giới hạn: tệp tối đa 5GB và 10 giờ.
- Ngôn ngữ: hơn 130 ngôn ngữ, có tùy chọn “Noise / Low-Quality Audio/Video” cho nhiều ngôn ngữ.
- Độ chính xác: tới 99% với âm thanh rõ. Tiếng ồn, khoảng cách, giọng địa phương và lời nói chồng làm giảm độ chính xác.
- Người nói: bật Speaker Detection trước khi phiên âm.
- Xuất: DOCX, PDF, TXT, CSV, SRT và VTT.
- Quyền riêng tư: chính sách quyền riêng tư cho biết bản gốc tải lên được xóa sau xử lý và MP3 trích xuất được giữ 30 ngày theo mặc định.
Với bản ghi cụ thể, xem trang về tệp MP3, ghi nhớ giọng nói, cuộc gọi điện thoại, phỏng vấn và bài giảng, hội thảo. Thử tệp trên trang miễn phí không cần tài khoản (giới hạn được hiển thị tại đó). Gói trả phí từ $9.99/tháng khi trả hằng năm (bảng giá). Các thông tin khác có trên trang tính năng.
Câu hỏi thường gặp
Định dạng âm thanh tốt nhất để phiên âm là gì?
WAV hoặc FLAC là lựa chọn tốt nhất khi bạn kiểm soát việc ghi, lý tưởng là mono ở 16 kHz trở lên với độ sâu 16-bit. Khi đã có tệp nén như MP3, M4A hoặc Opus, hãy tải nguyên trạng thay vì chuyển đổi. Chất lượng ghi âm, tức micrô gần, ít tiếng ồn nền và không clipping, thường quan trọng hơn việc chọn giữa các định dạng này.
WAV có tốt hơn MP3 để phiên âm không?
WAV ghi từ nguồn giữ nhiều chi tiết hơn MP3 và Google lưu ý codec mất dữ liệu như MP3 có thể giảm độ chính xác nhận dạng. Chênh lệch thường nhỏ với lời nói rõ và lớn hơn với bản ghi ồn. WAV tạo từ MP3 có sẵn không tốt hơn MP3 đó vì chi tiết bị bỏ đã mất. Hãy ghi WAV hoặc FLAC khi có thể và tải MP3 nguyên trạng.
Nên dùng tần số lấy mẫu nào để phiên âm?
Dùng 16 kHz trở lên. Google khuyến nghị ít nhất 16,000 Hz cho nhận dạng giọng nói, còn Whisper của OpenAI chuyển mọi âm thanh thành mono 16 kHz trước khi xử lý. Ghi ở 44.1 hoặc 48 kHz là bình thường và phổ biến. Đừng tăng tần số thấp sau đó: bản ghi điện thoại 8 kHz nên được tải lên ở 8 kHz vì tăng tần số chỉ tăng dung lượng mà không thêm thông tin lời nói.
Nên ghi mono hay stereo để phiên âm?
Ghi mono khi mọi người dùng chung một micrô. Whisper dù sao cũng trộn stereo xuống mono, nên bản stereo của cùng một giọng chỉ làm tệp lớn gấp đôi. Giữ stereo hoặc nhiều đường khi mỗi người nói ở một kênh riêng, như máy ghi cuộc gọi hoặc một micrô cho mỗi khách. Google khuyên phiên âm riêng từng kênh, có thể thực hiện bằng cách tách kênh với FFmpeg.
Tệp WAV mỗi phút lớn bao nhiêu?
Tùy cài đặt: nhân tần số lấy mẫu với byte mỗi mẫu và số kênh để có byte mỗi giây. WAV mono 16 kHz, 16-bit là 16,000 × 2 × 1 = 32,000 byte mỗi giây, khoảng 1.92 MB mỗi phút hoặc 115.2 MB mỗi giờ. Stereo kiểu CD 44.1 kHz, 16-bit khoảng 10.58 MB mỗi phút hoặc 635 MB mỗi giờ.
Tôi có thể tải video lên thay vì trích âm thanh không?
Có. Công cụ phiên âm đọc đường âm thanh và bỏ qua hình ảnh, nên MP4, MOV, MKV hoặc WEBM cho cùng bản phiên âm như âm thanh được trích xuất. Video chỉ làm dung lượng tải lên lớn hơn. Hãy trích âm thanh khi tệp gần giới hạn dung lượng hoặc kết nối chậm, ví dụ bằng -vn -c:a copy của FFmpeg để giữ chất lượng âm thanh gốc. Trên whispertranscribe.ai, bạn có thể tải nguyên video và xuất DOCX, TXT, SRT hoặc VTT.
Bạn đã có bản ghi? Tải nguyên trạng lên công cụ chuyển âm thanh thành văn bản miễn phí của whispertranscribe.ai: chọn một trong hơn 130 ngôn ngữ, bật Speaker Detection rồi tải DOCX, TXT, SRT hoặc VTT. Tệp tối đa 5GB và 10 giờ.
Tài liệu tham khảo
- Google Cloud: Hướng dẫn tốt nhất về cung cấp dữ liệu giọng nói cho Speech-to-Text
- Google Cloud: Tối ưu tệp âm thanh cho Speech-to-Text
- OpenAI: whisper/audio.py trong kho Whisper GitHub
- FFmpeg: tài liệu dòng lệnh ffmpeg và bộ lọc channelsplit
- Thư viện Quốc hội Mỹ: WAVE Audio File Format (fdd000001)
- Thư viện Quốc hội Mỹ: AMR, Adaptive Multi-Rate Speech Codec (fdd000254)
