作者:whispertranscribe.ai 編輯團隊 · 最後更新:2026 年 11 月 · 閱讀約 12 分鐘
如果錄音由你掌控,最適合轉錄的音訊格式是無損音訊:WAV(16-bit PCM)或 FLAC,單聲道,16 kHz 或更高。如果手上已經是 MP3、M4A 或影片檔案,就原樣上傳。壓縮檔案再轉換也找不回丟掉的細節,而麥克風距離和噪音對結果的影響更大。
下面依次講:按下錄音鍵前怎麼選、別人給你的檔案怎麼處理、檔案大小公式、按情境的設定、FFmpeg 命令,以及一張問題排除問題表。
聲明。 本指南由 whispertranscribe.ai 發布。技術說法均連結到 Google Cloud、OpenAI 的 Whisper 程式碼、FFmpeg 或美國國會圖書館(Library of Congress)。本文沒有做準確率測試,也不承諾某種格式能讓準確率提高多少個百分點。
簡短回答:最適合轉錄的音訊格式
按你處在流程的哪一步來選,而不是找一個唯一的「贏家」。
| 你的情況 | 最佳選擇 | 原因 |
|---|---|---|
| 正在設定錄音設備或 App | WAV(16-bit)或 FLAC,單聲道,16 kHz 或更高 | Google 推薦語音辨識用無損的 FLAC 或 LINEAR16 |
| 錄音時需要檔案小一些 | 適合語音的有損編碼,位元率適中 | Google 偏好的語音有損編碼依次是:AMR-WB、Ogg Opus、Speex |
| 已經有 MP3、M4A 或 Opus 檔案 | 上傳原檔案 | 重新編碼不會把任何東西補回來 |
| 手上是影片(MP4、MOV、MKV) | 直接上傳;檔案太大再提取音訊 | 只用到音軌 |
| 說話者分別錄在不同音軌上 | 保留分軌 | Google 建議每人各佔一個聲道時,每個聲道分別發送 |
完全不用操心格式的情況: 手機語音備忘錄、已發布的 Podcast 單集、Zoom 或 Teams 錄影。直接上傳,選對所說的語言,把時間花在核對人名上。
格式、編碼和容器:檔案副檔名沒告訴你的事
副檔名說的是容器,不一定是壓縮方式。Google 的音訊最佳化教程說得很直白:編碼和檔案格式不是一回事。三個常見的意外:
- WAV 通常裝的是未壓縮的線性 PCM,但這種格式也能裝其他編碼(美國國會圖書館,WAVE)。
- M4A 可能是有損的 AAC,也可能是無損的 Apple Lossless(ALAC)。
- OGG 是一層封裝,裡面通常是 Opus 或 Vorbis,兩者都是有損的。
想知道檔案裡到底是什麼,可以讓 FFmpeg 的 ffprobe 只列出音訊流:
ffprobe -v error -select_streams a -show_entries stream=index,codec_name,channels,sample_rate -of csv=p=0 meeting.mp4
我們用 FFmpeg 7.1.5 在一段短測試影片上跑過:每條音訊流輸出一行。在去掉音訊的副本上,它什麼都不輸出。上傳前用它能快速發現沒有音軌的檔案。
各種音訊格式的轉錄比較
下面每種格式都能轉錄。區別在於保留了多少細節、檔案有多大。大小按下一節的公式計算(1 MB = 1,000,000 位元組)。
| 格式 | 有損還是無損 | 通常來自哪裡 | 每分鐘大小(範例設定) | 對轉錄的影響 | 怎麼做 |
|---|---|---|---|---|---|
| WAV(PCM) | 未壓縮 | 錄音機、音訊編輯軟體 | 16 kHz、16-bit、單聲道 1.92 MB;44.1 kHz、16-bit、立體聲 10.58 MB | 保留麥克風錄到的全部內容 | 最好的母版;長時間錄音注意大小 |
| FLAC | 無損(壓縮) | 存檔、編輯軟體匯出 | 比同樣設定的 WAV 小;節省多少不固定 | 和對應的 WAV 音訊相同 | 想省空間就用它代替 WAV |
| AIFF / ALAC / CAF | AIFF 通常未壓縮;ALAC 無損;CAF 兩種都能裝 | Mac 和 iPhone App | AIFF:與相同設定的 WAV 一樣 | 取決於裡面的編碼 | 原樣上傳 |
| MP3 | 有損 | Podcast、下載 | 128 kbps 為 0.96 MB | Google:有損編碼可能降低準確率 | 原樣上傳 |
| M4A / AAC | 通常有損(AAC) | 語音備忘錄、影片音軌 | 64 kbps 為 0.48 MB | 和 MP3 一樣需注意 | 上傳原檔案 |
| OGG / Opus | 有損 | 聊天軟體語音消息、網路通話 | 32 kbps 為 0.24 MB | Opus 在 Google 偏好的語音有損編碼之列 | 原樣上傳 |
| AMR(窄帶) | 有損,僅限語音 | 老手機和通話錄音工具 | 12.2 kbps 約 0.09 MB | 只覆蓋 200 到 3,400 Hz(美國國會圖書館,AMR) | 原樣上傳;千萬別升取樣 |
影片檔案同理:工具讀取的是音軌,唯一的代價是上傳檔案更大。
音訊檔案有多大?公式在這裡
兩個公式就能在錄音或上傳前估算任何檔案的大小。
未壓縮 PCM(WAV、AIFF):
每秒字节数 = 采样率 × (位深 ÷ 8) × 声道数
算例:
- 16 kHz、16-bit、單聲道:16,000 × 2 × 1 = 每秒 32,000 位元組。× 60 = 1,920,000 位元組,約 每分鐘 1.92 MB,即每小時 115.2 MB。
- 44.1 kHz、16-bit、立體聲:44,100 × 2 × 2 = 每秒 176,400 位元組,約 每分鐘 10.58 MB,即每小時 635 MB。
- 48 kHz、24-bit、立體聲:48,000 × 3 × 2 = 每秒 288,000 位元組,即每小時 1,036.8 MB。
固定位元率的有損格式(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 位元組,約 每分鐘 0.96 MB,即每小時 57.6 MB。
- 64 kbps:每分鐘 0.48 MB;32 kbps:每分鐘 0.24 MB。
實際檔案因為有檔案頭會略大一點,可變位元率檔案會在平均值上下浮動。用二進制單位(MiB)顯示的電腦,數字會低約 5%。
這些數字對 5GB、10 小時的上傳上限意味著什麼
whispertranscribe.ai 支援最大 5GB、最長 10 小時的檔案。下面是常見設定的情況,假設 5GB 指 5,000,000,000 位元組:
| 設定 | 1 小時 | 10 小時 | 10 小時能否控制在 5GB 內? |
|---|---|---|---|
| WAV,16 kHz,16-bit,單聲道 | 115.2 MB | 1.15 GB | 能 |
| WAV,44.1 kHz,16-bit,立體聲 | 635 MB | 6.35 GB | 不能:約能放 7.9 小時 |
| WAV,48 kHz,24-bit,立體聲 | 1.04 GB | 10.37 GB | 不能:約能放 4.8 小時 |
| MP3,128 kbps | 57.6 MB | 576 MB | 能 |
| Opus,32 kbps | 14.4 MB | 144 MB | 能 |
傳統 WAV 檔案本身也有上限:它的 32 位大小字段把檔案限制在約 4 GB,更長的錄音需要 RF64 擴展(美國國會圖書館)。很長的無損錄音,用 FLAC 或 16 kHz 單聲道 WAV 可以同時避開這兩個問題。
比音訊格式更重要的東西
離麥克風近的清晰人聲,存成 MP3,通常也比隔著嘈雜房間錄的無損檔案效果好。大部分結果是由下面這些設定和習慣決定的。
取樣率:16 kHz 夠嗎?
對語音來說夠。Google 推薦 16,000 Hz 或更高(最佳實踐);它的教程解釋說,更低的取樣率在 8 kHz 以上幾乎沒有資訊。OpenAI 開放原始碼的 Whisper 程式碼會把所有輸入先轉成 16,000 Hz 單聲道,再交給模型(whisper/audio.py)。用 44.1 或 48 kHz 錄也沒問題,只是檔案更大。
事後提高取樣率沒用:Google 指出,8 kHz 的檔案升取樣到 44.1 kHz,頻率範圍仍然只有約 4 kHz。電話音訊通常是 8,000 Hz,按原取樣率上傳。
位深:16-bit 還是 24-bit?
Google 推薦 16 位或更高,並說把 8-bit 音訊轉成 16-bit 沒有任何好處,因為動態範圍在錄音時就定了。錄音設備出來是 24-bit 就保留,沒壞處;把 16-bit 轉成 24-bit 則什麼也不會增加。
壓縮檔案的位元率
沒有哪條標準規定多少位元率能保證轉錄效果好。Google 的建議針對的是編碼類型:有損編碼可能降低準確率,有損壓縮時噪音或回聲的危害更大。如果必須壓縮,只壓一次,設定適中,避免 WAV 轉 MP3 再轉 OGG 這種連環轉換。
麥克風距離、噪音和電平
來自 Google 的預處理建議:
- 在合理範圍內讓麥克風盡量靠近說話者,有背景噪音時更要如此。
- 避免削波。失真的峰值事後修不好。
- App 允許的話,關掉自動增益和降噪。Google 說辨識前做降噪處理通常會降低準確率。
單聲道還是立體聲?
大家共用一個麥克風時,單聲道就夠了。Whisper 本來就會把立體聲混成單聲道,所以左右聲道是同一個聲音的立體聲,只會讓上傳檔案翻倍。如果左右聲道各是一個人,比如很多通話錄音工具或每聲道一支領夾麥,立體聲就值得保留。這時 Google 建議每個聲道分別發送,混好的錄音則原樣發送。
多軌錄音
Podcast 和遠端訪談工具常把每個人錄在單獨的音軌上。要麼匯出一條混音並開啟說話者標籤(最簡單),要麼每條音軌分別轉錄,再按時間戳記合併文字(音訊最乾淨,但合併要你自己做)。
按情境推薦的格式和設定
「已經有檔案」是更常見的情況,答案通常是「直接上傳」。
| 情境 | 錄成什麼(如果你能選) | 如果已經有 | 上傳前 | 注意 |
|---|---|---|---|---|
| 面對面訪談 | WAV 或 FLAC,每支麥克風單聲道,44.1 或 48 kHz | 手機錄的 M4A 或 MP3 | 記下人名和術語 | 嘉賓聲音比訪談者小 |
| 遠端訪談或 Podcast,分軌 | 每位說話者自己的音軌,無損 | 分開的 WAV 加一條混音 MP3 | 選用混音還是分軌 | 混音裡有搶話 |
| 會議錄影(Zoom、Teams、Meet) | 平台提供的話,選純音訊選項 | MP4 或 M4A | 影片很大時才提取音訊 | 整個房間只用一個筆記本麥克風 |
| 手機語音備忘錄 | App 預設設定 | .m4a | 匯出原檔案 | 錄音時手機放在口袋裡 |
| 已發布的 Podcast 單集 | 不適用 | 發布出來的 MP3 | 有發布前的 WAV 或 FLAC 就用它 | 音樂片頭;設定好語言 |
| 講座或研討課 | 單聲道,16-bit,麥克風靠近講者 | 很長的 MP3 或影片 | 核對長度是否超過 10 小時 | 聽眾提問沒進麥 |
| 電話錄音 | 錄音工具預設設定 | AMR、M4A 或 8 kHz WAV | 保持原取樣率 | 同意規則;別升取樣 |
通話錄音涉及同意問題;我們關於怎麼錄製通話和美國各州通話錄音法律的指南會講到。本文不是法律建議。
怎樣用 FFmpeg 轉換音訊再轉錄
只有在有理由時才轉換:檔案太大、想從影片裡拿出更輕的音訊上傳、某個工具不認這個編碼,或者想把說話者分成不同檔案。為了「提升音質」而轉換是沒用的。
每條命令我們都用 FFmpeg 7.1.5 跑過,素材是一段 11 秒的公有領域演講片段和用它做的一段短測試影片,只檢查命令能否跑完、ffprobe 顯示的編碼、取樣率和聲道是否符合預期。參數說明見 FFmpeg 文件。
1. 任意檔案轉 16 kHz 單聲道 16-bit WAV(和 Whisper 內部轉換的規格一樣):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a pcm_s16le interview_16k.wav
2. 任意檔案轉 16 kHz 單聲道 FLAC(無損,多數情況下比 WAV 小):
ffmpeg -i interview.m4a -ac 1 -ar 16000 -c:a flac interview_16k.flac
3. 影片轉小體積單聲道 MP3(多了一步有損;最在意大小時用):
ffmpeg -i meeting.mp4 -vn -ac 1 -ar 16000 -c:a libmp3lame -b:a 64k meeting_16k.mp3
4. 不重新編碼,直接從影片裡取出音訊(音訊是 AAC 時可用,MP4 檔案裡很常見):
ffmpeg -i meeting.mp4 -vn -c:a copy meeting_audio.m4a
5. 把雙聲道錄音拆成每位說話者一個檔案(使用 channelsplit 濾鏡):
ffmpeg -i call.m4a -filter_complex "channelsplit=channel_layout=stereo[L][R]" -map "[L]" left.wav -map "[R]" right.wav
| 參數 | 作用 |
|---|---|
-ac 1 |
把音訊混成一個聲道 |
-ar 16000 |
把輸出取樣率設為 16,000 Hz |
-c:a pcm_s16le |
寫成 16-bit 未壓縮 PCM(標準 WAV) |
-vn |
去掉影片流 |
-c:a copy |
原樣複製音訊,音質不變 |
-b:a 64k |
設定有損位元率 |
影片的音訊已經是 AAC 時,優先用命令 4 而不是命令 3,因為它保留原始音質。8 kHz 的電話音訊,去掉 -ar 16000,以免升取樣。
不會用命令行? whispertranscribe.ai 的音訊與影片轉 MP3 工具可以在瀏覽器裡從 MP4、MOV、MKV、WEBM 或 AVI 中提取音軌。頁面說它使用 WebAssembly,檔案在瀏覽器裡處理,不會上傳。
大檔案:控制在 5GB 和 10 小時以內
- 太大但不到 10 小時: 通常是影片或高規格 WAV。提取音訊(命令 4 或瀏覽器轉換工具),或把 WAV 轉成 FLAC(命令 2)。
- 超過 10 小時: 上傳頁面會顯示 "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."(目前只能處理 10 小時以內的檔案,請把檔案縮短到 10 小時或更短後重試。)那就切分。我們 MP3 轉文字指南裡那條不重新編碼的切分命令也適用於 WAV;我們在一個測試 WAV 上驗證過。合併文字時檢查銜接處。
- 網路速度慢: 一小時 64 kbps 的 MP3 約 28.8 MB,而 CD 規格的立體聲 WAV 是 635 MB。無損原檔案留作存檔。
音訊格式問題排除問題
| 問題 | 可能原因 | 試試這樣做 |
|---|---|---|
| "No audio detected. The file may be corrupted. Please check the file and try again."(未偵測到音訊,檔案可能已損壞,請檢查後重試;我們的上傳頁面會顯示) | 檔案損壞、匯出影片時沒帶聲音,或音軌是空的 | 在本地播放;運行上面的 ffprobe 音訊檢查(沒有輸出就說明沒有音訊流);從原 App 重新匯出 |
| 因長度過長被拒 | 檔案超過 10 小時 | 切成每段 10 小時或更短 |
| 檔案太大 | 影片,或高規格多聲道 WAV | 提取音訊,或把 WAV 轉成 FLAC |
| 超過 4 GB 的 WAV 打不開或傳不上去 | 傳統 WAV 的大小限制 | 重新匯出為 RF64 或 FLAC,或切分 |
| 一位說話者聲音比另一位小很多 | 每人在單獨的聲道上,錄音電平不同 | 拆分聲道(命令 5),每個檔案分別轉錄 |
| 峰值失真、有噼啪聲 | 錄音時削波 | 修不好;下次調低輸入增益 |
| 電話音訊轉成 48 kHz 後仍然很差 | 升取樣不會增加資訊 | 上傳原檔案;如有 "Noise / Low-Quality Audio/Video" 語言選項就試試 |
whispertranscribe.ai 適合在哪一步用
whispertranscribe.ai 是基於 OpenAI Whisper 模型的轉錄工具,在網頁瀏覽器裡執行(沒有 App、沒有 API、沒有人工校對)。免費音訊轉文字工具和其他上傳頁面列出了這些格式:MP3、WAV、M4A、AAC、FLAC、OGG、OPUS、AMR、AIFF、ALAC、CAF、MP4、MOV、M4V、MKV、AVI、WMV、WEBM、MPG 和 MPEG。
- 限制: 檔案最大 5GB、最長 10 小時。
- 語言: 130 多種語言,很多語言有 "Noise / Low-Quality Audio/Video" 選項。
- 準確率: 清晰音訊下 up to 99%。噪音、距離、口音和搶話會降低準確率。
- 說話者: 轉錄前開啟 Speaker Detection。
- 匯出: DOCX、PDF、TXT、CSV、SRT 和 VTT。
- 隱私: 隱私權政策寫明原始上傳檔案處理後刪除,提取出的 MP3 檔案預設保留 30 天。
針對具體錄音,可以看這些頁面:MP3 檔案、語音備忘錄、電話錄音、訪談以及講座和研討課。可以在免註冊免費頁面上試一個檔案(限制在頁面上有寫)。付費方案:from $9.99/month billed annually(按年付費費每月 $9.99 起,見價格)。其他內容都在功能頁面。
常見問題
最適合轉錄的音訊格式是什麼?
錄音由你掌控時,WAV 或 FLAC 是最適合轉錄的音訊格式,最好是單聲道、16 kHz 或更高、16-bit 位深。如果手上已經是 MP3、M4A 或 Opus 這類壓縮檔案,直接原樣上傳,不要轉換。錄音質量,也就是麥克風夠近、背景噪音低、沒有削波,通常比選這幾種格式中的哪一種更重要。
轉錄用 WAV 比 MP3 好嗎?
從源頭錄成的 WAV 比 MP3 保留更多細節,Google 也指出 MP3 這類有損編碼可能降低辨識準確率。清晰語音上差距通常很小,嘈雜錄音上會大一些。用現成 MP3 轉出來的 WAV 並不比那個 MP3 好,因為丟掉的細節已經沒了。能用 WAV 或 FLAC 錄就用,MP3 就原樣上傳。
轉錄應該用什麼取樣率?
用 16 kHz 或更高。Google 推薦語音辨識至少用 16,000 Hz,OpenAI 的 Whisper 處理前也會把所有音訊轉成 16 kHz 單聲道。用 44.1 或 48 kHz 錄沒問題,也很常見。千萬別事後把低取樣率調高:8 kHz 的電話錄音就按 8 kHz 上傳,因為升取樣只增加檔案大小,不增加任何語音資訊。
轉錄錄音該用單聲道還是立體聲?
大家共用一個麥克風時就用單聲道。Whisper 本來就會把立體聲混成單聲道,所以同一個聲音的立體聲副本只會讓檔案翻倍。如果每位說話者在單獨的聲道上,比如通話錄音工具或每位嘉賓一支麥克風,就保留立體聲或多軌。Google 建議分開的聲道分別轉錄,你可以用 FFmpeg 拆分聲道來做到。
WAV 檔案每分鐘多大?
取決於設定:取樣率乘以每個取樣的位元組數再乘以聲道數,就是每秒位元組數。16 kHz、16-bit 單聲道 WAV 是 16,000 × 2 × 1 = 每秒 32,000 位元組,約每分鐘 1.92 MB,即每小時 115.2 MB。CD 規格的 44.1 kHz、16-bit 立體聲約每分鐘 10.58 MB,即每小時 635 MB。
可以直接上傳影片檔案,不提取音訊嗎?
可以。轉錄工具讀取音軌、忽略畫面,所以 MP4、MOV、MKV 或 WEBM 得到的轉錄稿和提取出的音訊一樣。影片只是讓上傳檔案更大。檔案接近大小上限或網路速度慢時再提取音訊,比如用 FFmpeg 的 -vn -c:a copy,它會保留原始音質。在 whispertranscribe.ai 上,影片可以直接原樣上傳,再匯出 DOCX、TXT、SRT 或 VTT。
錄音準備好了? 把它原樣上傳到 whispertranscribe.ai 的免費音訊轉文字工具:從 130 多種語言 中選一種,開啟 Speaker Detection,然後下載 DOCX、TXT、SRT 或 VTT。檔案最大 5GB、最長 10 小時。
參考資料
- Google Cloud:Speech-to-Text 最佳實踐(提供語音資料)
- Google Cloud:為 Speech-to-Text 最佳化音訊檔案
- OpenAI:Whisper GitHub 倉庫中的 whisper/audio.py
- FFmpeg:ffmpeg 命令行文件和 channelsplit 濾鏡
- 美國國會圖書館:WAVE 音訊檔案格式(fdd000001)
- 美國國會圖書館:AMR,自適應多速率語音編碼(fdd000254)
