作者:whispertranscribe.ai Editorial Team · 最后更新:2026 年 11 月 · 阅读约 12 分钟
如果录音由你掌控,最适合转写的音频格式是无损音频:WAV(16-bit PCM)或 FLAC,单声道,16 kHz 或更高。如果手上已经是 MP3、M4A 或视频文件,就原样上传。压缩文件再转换也找不回丢掉的细节,而麦克风距离和噪音对结果的影响更大。
下面依次讲:按下录音键前怎么选、别人给你的文件怎么处理、文件大小公式、按场景的设置、FFmpeg 命令,以及一张问题排查表。
声明。 本指南由 whispertranscribe.ai 发布。技术说法均链接到 Google Cloud、OpenAI 的 Whisper 代码、FFmpeg 或美国国会图书馆(Library of Congress)。本文没有做准确率测试,也不承诺某种格式能让准确率提高多少个百分点。
简短回答:最适合转写的音频格式
按你处在流程的哪一步来选,而不是找一个唯一的“赢家”。
| 你的情况 | 最佳选择 | 原因 |
|---|---|---|
| 正在设置录音设备或 App | WAV(16-bit)或 FLAC,单声道,16 kHz 或更高 | Google 推荐语音识别用无损的 FLAC 或 LINEAR16 |
| 录音时需要文件小一些 | 适合语音的有损编码,码率适中 | Google 偏好的语音有损编码依次是:AMR-WB、Ogg Opus、Speex |
| 已经有 MP3、M4A 或 Opus 文件 | 上传原文件 | 重新编码不会把任何东西补回来 |
| 手上是视频(MP4、MOV、MKV) | 直接上传;文件太大再提取音频 | 只用到音轨 |
| 说话人分别录在不同音轨上 | 保留分轨 | Google 建议每人各占一个声道时,每个声道分别发送 |
完全不用操心格式的情况: 手机语音备忘录、已发布的播客单集、Zoom 或 Teams 录像。直接上传,选对所说的语言,把时间花在核对人名上。
格式、编码和容器:文件扩展名没告诉你的事
扩展名说的是容器,不一定是压缩方式。Google 的音频优化教程说得很直白:编码和文件格式不是一回事。三个常见的意外:
- WAV 通常装的是未压缩的线性 PCM,但这种格式也能装其他编码(美国国会图书馆,WAVE)。
- M4A 可能是有损的 AAC,也可能是无损的 Apple Lossless(ALAC)。
- OGG 是一层封装,里面通常是 Opus 或 Vorbis,两者都是有损的。
想知道文件里到底是什么,可以让 FFmpeg 的 ffprobe 只列出音频流:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
我们用 FFmpeg 7.1.5 在一段短测试视频上跑过:每条音频流输出一行。在去掉音频的副本上,它什么都不输出。上传前用它能快速发现没有音轨的文件。
各种音频格式的转写对比
下面每种格式都能转写。区别在于保留了多少细节、文件有多大。大小按下一节的公式计算(1 MB = 1,000,000 字节)。
| 格式 | 有损还是无损 | 通常来自哪里 | 每分钟大小(示例设置) | 对转写的影响 | 怎么做 |
|---|---|---|---|---|---|
| WAV(PCM) | 未压缩 | 录音机、音频编辑软件 | 16 kHz、16-bit、单声道 1.92 MB;44.1 kHz、16-bit、立体声 10.58 MB | 保留麦克风录到的全部内容 | 最好的母版;长时间录音注意大小 |
| FLAC | 无损(压缩) | 存档、编辑软件导出 | 比同样设置的 WAV 小;节省多少不固定 | 和对应的 WAV 音频相同 | 想省空间就用它代替 WAV |
| AIFF / ALAC / CAF | AIFF 通常未压缩;ALAC 无损;CAF 两种都能装 | Mac 和 iPhone App | AIFF:与相同设置的 WAV 一样 | 取决于里面的编码 | 原样上传 |
| MP3 | 有损 | 播客、下载 | 128 kbps 为 0.96 MB | Google:有损编码可能降低准确率 | 原样上传 |
| M4A / AAC | 通常有损(AAC) | 语音备忘录、视频音轨 | 64 kbps 为 0.48 MB | 和 MP3 一样需注意 | 上传原文件 |
| OGG / Opus | 有损 | 聊天软件语音消息、网络通话 | 32 kbps 为 0.24 MB | Opus 在 Google 偏好的语音有损编码之列 | 原样上传 |
| AMR(窄带) | 有损,仅限语音 | 老手机和通话录音工具 | 12.2 kbps 约 0.09 MB | 只覆盖 200 到 3,400 Hz(美国国会图书馆,AMR) | 原样上传;千万别升采样 |
视频文件同理:工具读取的是音轨,唯一的代价是上传文件更大。
音频文件有多大?公式在这里
两个公式就能在录音或上传前估算任何文件的大小。
未压缩 PCM(WAV、AIFF):
每秒字节数 = 采样率 × (位深 ÷ 8) × 声道数
算例:
- 16 kHz、16-bit、单声道:16,000 × 2 × 1 = 每秒 32,000 字节。× 60 = 1,920,000 字节,约 每分钟 1.92 MB,即每小时 115.2 MB。
- 44.1 kHz、16-bit、立体声:44,100 × 2 × 2 = 每秒 176,400 字节,约 每分钟 10.58 MB,即每小时 635 MB。
- 48 kHz、24-bit、立体声:48,000 × 3 × 2 = 每秒 288,000 字节,即每小时 1,036.8 MB。
固定码率的有损格式(MP3、AAC、Opus):
每分钟字节数 = 码率(kbps)× 1,000 ÷ 8 × 60(即 kbps × 7,500)
- 128 kbps:128 × 7,500 = 960,000 字节,约 每分钟 0.96 MB,即每小时 57.6 MB。
- 64 kbps:每分钟 0.48 MB;32 kbps:每分钟 0.24 MB。
实际文件因为有文件头会略大一点,可变码率文件会在平均值上下浮动。用二进制单位(MiB)显示的电脑,数字会低约 5%。
这些数字对 5GB、10 小时的上传上限意味着什么
whispertranscribe.ai 支持最大 5GB、最长 10 小时的文件。下面是常见设置的情况,假设 5GB 指 5,000,000,000 字节:
| 设置 | 1 小时 | 10 小时 | 10 小时能否控制在 5GB 内? |
|---|---|---|---|
| WAV,16 kHz,16-bit,单声道 | 115.2 MB | 1.15 GB | 能 |
| WAV,44.1 kHz,16-bit,立体声 | 635 MB | 6.35 GB | 不能:约能放 7.9 小时 |
| WAV,48 kHz,24-bit,立体声 | 1.04 GB | 10.37 GB | 不能:约能放 4.8 小时 |
| MP3,128 kbps | 57.6 MB | 576 MB | 能 |
| Opus,32 kbps | 14.4 MB | 144 MB | 能 |
传统 WAV 文件本身也有上限:它的 32 位大小字段把文件限制在约 4 GB,更长的录音需要 RF64 扩展(美国国会图书馆)。很长的无损录音,用 FLAC 或 16 kHz 单声道 WAV 可以同时避开这两个问题。
比音频格式更重要的东西
离麦克风近的清晰人声,存成 MP3,通常也比隔着嘈杂房间录的无损文件效果好。大部分结果是由下面这些设置和习惯决定的。
采样率:16 kHz 够吗?
对语音来说够。Google 推荐 16,000 Hz 或更高(最佳实践);它的教程解释说,更低的采样率在 8 kHz 以上几乎没有信息。OpenAI 开源的 Whisper 代码会把所有输入先转成 16,000 Hz 单声道,再交给模型(whisper/audio.py)。用 44.1 或 48 kHz 录也没问题,只是文件更大。
事后提高采样率没用:Google 指出,8 kHz 的文件升采样到 44.1 kHz,频率范围仍然只有约 4 kHz。电话音频通常是 8,000 Hz,按原采样率上传。
位深:16-bit 还是 24-bit?
Google 推荐 16 位或更高,并说把 8-bit 音频转成 16-bit 没有任何好处,因为动态范围在录音时就定了。录音设备出来是 24-bit 就保留,没坏处;把 16-bit 转成 24-bit 则什么也不会增加。
压缩文件的码率
没有哪条标准规定多少码率能保证转写效果好。Google 的建议针对的是编码类型:有损编码可能降低准确率,有损压缩时噪音或回声的危害更大。如果必须压缩,只压一次,设置适中,避免 WAV 转 MP3 再转 OGG 这种连环转换。
麦克风距离、噪音和电平
来自 Google 的预处理建议:
- 在合理范围内让麦克风尽量靠近说话人,有背景噪音时更要如此。
- 避免削波。失真的峰值事后修不好。
- App 允许的话,关掉自动增益和降噪。Google 说识别前做降噪处理通常会降低准确率。
单声道还是立体声?
大家共用一个麦克风时,单声道就够了。Whisper 本来就会把立体声混成单声道,所以左右声道是同一个声音的立体声,只会让上传文件翻倍。如果左右声道各是一个人,比如很多通话录音工具或每声道一支领夹麦,立体声就值得保留。这时 Google 建议每个声道分别发送,混好的录音则原样发送。
多轨录音
播客和远程访谈工具常把每个人录在单独的音轨上。要么导出一条混音并打开说话人标签(最简单),要么每条音轨分别转写,再按时间戳合并文本(音频最干净,但合并要你自己做)。
按场景推荐的格式和设置
“已经有文件”是更常见的情况,答案通常是“直接上传”。
| 场景 | 录成什么(如果你能选) | 如果已经有 | 上传前 | 注意 |
|---|---|---|---|---|
| 面对面访谈 | WAV 或 FLAC,每支麦克风单声道,44.1 或 48 kHz | 手机录的 M4A 或 MP3 | 记下人名和术语 | 嘉宾声音比访谈者小 |
| 远程访谈或播客,分轨 | 每位说话人自己的音轨,无损 | 分开的 WAV 加一条混音 MP3 | 选用混音还是分轨 | 混音里有抢话 |
| 会议录像(Zoom、Teams、Meet) | 平台提供的话,选纯音频选项 | MP4 或 M4A | 视频很大时才提取音频 | 整个房间只用一个笔记本麦克风 |
| 手机语音备忘录 | App 默认设置 | .m4a | 导出原文件 | 录音时手机放在口袋里 |
| 已发布的播客单集 | 不适用 | 发布出来的 MP3 | 有发布前的 WAV 或 FLAC 就用它 | 音乐片头;设置好语言 |
| 讲座或研讨课 | 单声道,16-bit,麦克风靠近讲者 | 很长的 MP3 或视频 | 核对时长是否超过 10 小时 | 听众提问没进麦 |
| 电话录音 | 录音工具默认设置 | AMR、M4A 或 8 kHz WAV | 保持原采样率 | 同意规则;别升采样 |
通话录音涉及同意问题;我们关于怎么录电话和美国各州通话录音法律的指南会讲到。本文不是法律建议。
怎样用 FFmpeg 转换音频再转写
只有在有理由时才转换:文件太大、想从视频里拿出更轻的音频上传、某个工具不认这个编码,或者想把说话人分成不同文件。为了“提升音质”而转换是没用的。
每条命令我们都用 FFmpeg 7.1.5 跑过,素材是一段 11 秒的公有领域演讲片段和用它做的一段短测试视频,只检查命令能否跑完、ffprobe 显示的编码、采样率和声道是否符合预期。参数说明见 FFmpeg 文档。
1. 任意文件转 16 kHz 单声道 16-bit WAV(和 Whisper 内部转换的规格一样):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. 任意文件转 16 kHz 单声道 FLAC(无损,多数情况下比 WAV 小):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. 视频转小体积单声道 MP3(多了一步有损;最在意大小时用):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. 不重新编码,直接从视频里取出音频(音频是 AAC 时可用,MP4 文件里很常见):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. 把双声道录音拆成每位说话人一个文件(使用 channelsplit 滤镜):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| 参数 | 作用 |
|---|---|
-ac 1 |
把音频混成一个声道 |
-ar 16000 |
把输出采样率设为 16,000 Hz |
-c:a pcm_s16le |
写成 16-bit 未压缩 PCM(标准 WAV) |
-vn |
去掉视频流 |
-c:a copy |
原样复制音频,音质不变 |
-b:a 64k |
设置有损码率 |
视频的音频已经是 AAC 时,优先用命令 4 而不是命令 3,因为它保留原始音质。8 kHz 的电话音频,去掉 -ar 16000,以免升采样。
不会用命令行? whispertranscribe.ai 的音视频转 MP3 工具可以在浏览器里从 MP4、MOV、MKV、WEBM 或 AVI 中提取音轨。页面说它使用 WebAssembly,文件在浏览器里处理,不会上传。
大文件:控制在 5GB 和 10 小时以内
- 太大但不到 10 小时: 通常是视频或高规格 WAV。提取音频(命令 4 或浏览器转换工具),或把 WAV 转成 FLAC(命令 2)。
- 超过 10 小时: 上传页面会显示 "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."(目前只能处理 10 小时以内的文件,请把文件缩短到 10 小时或更短后重试。)那就切分。我们 MP3 转文字指南里那条不重新编码的切分命令也适用于 WAV;我们在一个测试 WAV 上验证过。合并文本时检查衔接处。
- 网速慢: 一小时 64 kbps 的 MP3 约 28.8 MB,而 CD 规格的立体声 WAV 是 635 MB。无损原文件留作存档。
音频格式问题排查
| 问题 | 可能原因 | 试试这样做 |
|---|---|---|
| "No audio detected. The file may be corrupted. Please check the file and try again."(未检测到音频,文件可能已损坏,请检查后重试;我们的上传页面会显示) | 文件损坏、导出视频时没带声音,或音轨是空的 | 在本地播放;运行上面的 ffprobe 音频检查(没有输出就说明没有音频流);从原 App 重新导出 |
| 因时长过长被拒 | 文件超过 10 小时 | 切成每段 10 小时或更短 |
| 文件太大 | 视频,或高规格多声道 WAV | 提取音频,或把 WAV 转成 FLAC |
| 超过 4 GB 的 WAV 打不开或传不上去 | 传统 WAV 的大小限制 | 重新导出为 RF64 或 FLAC,或切分 |
| 一位说话人声音比另一位小很多 | 每人在单独的声道上,录音电平不同 | 拆分声道(命令 5),每个文件分别转写 |
| 峰值失真、有噼啪声 | 录音时削波 | 修不好;下次调低输入增益 |
| 电话音频转成 48 kHz 后仍然很差 | 升采样不会增加信息 | 上传原文件;如有 "Noise / Low-Quality Audio/Video" 语言选项就试试 |
whispertranscribe.ai 适合在哪一步用
whispertranscribe.ai 是基于 OpenAI Whisper 模型的转写工具,在网页浏览器里运行(没有 App、没有 API、没有人工校对)。免费音频转文字工具和其他上传页面列出了这些格式:MP3、WAV、M4A、AAC、FLAC、OGG、OPUS、AMR、AIFF、ALAC、CAF、MP4、MOV、M4V、MKV、AVI、WMV、WEBM、MPG 和 MPEG。
- 限制: 文件最大 5GB、最长 10 小时。
- 语言: 130+ languages,很多语言有 "Noise / Low-Quality Audio/Video" 选项。
- 准确率: 清晰音频下 up to 99%。噪音、距离、口音和抢话会降低准确率。
- 说话人: 转写前打开 Speaker Detection。
- 导出: DOCX、PDF、TXT、CSV、SRT 和 VTT。
- 隐私: 隐私政策写明原始上传文件处理后删除,提取出的 MP3 文件默认保留 30 天。
针对具体录音,可以看这些页面:MP3 文件、语音备忘录、电话录音、访谈以及讲座和研讨课。可以在免注册免费页面上试一个文件(限制在页面上有写)。付费方案:from $9.99/month billed annually(按年付费每月 $9.99 起,见价格)。其他内容都在功能页面。
常见问题
最适合转写的音频格式是什么?
录音由你掌控时,WAV 或 FLAC 是最适合转写的音频格式,最好是单声道、16 kHz 或更高、16-bit 位深。如果手上已经是 MP3、M4A 或 Opus 这类压缩文件,直接原样上传,不要转换。录音质量,也就是麦克风够近、背景噪音低、没有削波,通常比选这几种格式中的哪一种更重要。
转写用 WAV 比 MP3 好吗?
从源头录成的 WAV 比 MP3 保留更多细节,Google 也指出 MP3 这类有损编码可能降低识别准确率。清晰语音上差距通常很小,嘈杂录音上会大一些。用现成 MP3 转出来的 WAV 并不比那个 MP3 好,因为丢掉的细节已经没了。能用 WAV 或 FLAC 录就用,MP3 就原样上传。
转写应该用什么采样率?
用 16 kHz 或更高。Google 推荐语音识别至少用 16,000 Hz,OpenAI 的 Whisper 处理前也会把所有音频转成 16 kHz 单声道。用 44.1 或 48 kHz 录没问题,也很常见。千万别事后把低采样率调高:8 kHz 的电话录音就按 8 kHz 上传,因为升采样只增加文件大小,不增加任何语音信息。
转写录音该用单声道还是立体声?
大家共用一个麦克风时就用单声道。Whisper 本来就会把立体声混成单声道,所以同一个声音的立体声副本只会让文件翻倍。如果每位说话人在单独的声道上,比如通话录音工具或每位嘉宾一支麦克风,就保留立体声或多轨。Google 建议分开的声道分别转写,你可以用 FFmpeg 拆分声道来做到。
WAV 文件每分钟多大?
取决于设置:采样率乘以每个采样的字节数再乘以声道数,就是每秒字节数。16 kHz、16-bit 单声道 WAV 是 16,000 × 2 × 1 = 每秒 32,000 字节,约每分钟 1.92 MB,即每小时 115.2 MB。CD 规格的 44.1 kHz、16-bit 立体声约每分钟 10.58 MB,即每小时 635 MB。
可以直接上传视频文件,不提取音频吗?
可以。转写工具读取音轨、忽略画面,所以 MP4、MOV、MKV 或 WEBM 得到的转写稿和提取出的音频一样。视频只是让上传文件更大。文件接近大小上限或网速慢时再提取音频,比如用 FFmpeg 的 -vn -c:a copy,它会保留原始音质。在 whispertranscribe.ai 上,视频可以直接原样上传,再导出 DOCX、TXT、SRT 或 VTT。
录音准备好了? 把它原样上传到 whispertranscribe.ai 的免费音频转文字工具:从 130+ languages 中选一种,打开 Speaker Detection,然后下载 DOCX、TXT、SRT 或 VTT。文件最大 5GB、最长 10 小时。
参考资料
- Google Cloud:Speech-to-Text 最佳实践(提供语音数据)
- Google Cloud:为 Speech-to-Text 优化音频文件
- OpenAI:Whisper GitHub 仓库中的 whisper/audio.py
- FFmpeg:ffmpeg 命令行文档和 channelsplit 滤镜
- 美国国会图书馆:WAVE 音频文件格式(fdd000001)
- 美国国会图书馆:AMR,自适应多速率语音编码(fdd000254)
