Najlepszy format audio do transkrypcji: WAV, MP3 i M4A w porównaniu

Najlepszy format audio do transkrypcji to plik bezstratny, WAV (16-bitowy PCM) lub FLAC, nagrany z częstotliwością próbkowania 16 kHz lub wyższą, najlepiej z jednym mówcą na kanał, jeśli rejestrator na to pozwala. Tak zalecają sami twórcy silników rozpoznawania mowy. Jeśli plik już istnieje jako MP3 lub M4A, prześlij go bez zmian: konwersja pliku stratnego do WAV nic nie daje, a o dokładności decydują mikrofon, pomieszczenie i hałas w tle w znacznie większym stopniu niż kontener.

Poniżej: co duzi dostawcy usług zamiany mowy na tekst faktycznie piszą o formatach, które ustawienia mają znaczenie (częstotliwość próbkowania, przepływność, kanały), jaki format wybrać w typowych sytuacjach i kiedy warto poświęcić pięć minut na konwersję przed przesłaniem.

Jaki jest najlepszy format audio do transkrypcji?

To zależy od tego, czy dopiero będziesz nagrywać, czy masz już plik. W obu przypadkach odpowiedź jest inna.

Oficjalne zalecenia są u różnych dostawców zgodne. Sprawdzone metody Google Speech-to-Text zalecają nagrywanie i przesyłanie z bezstratnym kodekiem (FLAC lub LINEAR16) i ostrzegają, że MP3, MP4, M4A i inne kodeki stratne „mogą obniżyć dokładność”. Dokumentacja danych wejściowych Amazon Transcribe przyjmuje w zadaniach wsadowych AMR, FLAC, M4A, MP3, MP4, Ogg, WebM i WAV, ale jako zalecane formaty wskazuje FLAC i 16-bitowy WAV PCM.

Zwróć uwagę na słowo „mogą”. Kompresja stratna przy rozsądnej przepływności zachowuje częstotliwości, które niosą mowę, i w praktyce czysty MP3 128 kb/s z głosem nagranym blisko mikrofonu zwykle daje niemal tak dobrą transkrypcję jak źródłowy WAV. Formaty stratne zaczynają kosztować przy niskich przepływnościach, wielokrotnym przekodowaniu i nagraniach, które już wcześniej były zaszumione. Prawdziwe czynniki wpływające na dokładność opisujemy w poradniku o tym, dlaczego dokładność transkrypcji AI bywa różna.

MP3 czy WAV do transkrypcji: czy to ma znaczenie?

Mniejsze, niż większość osób się spodziewa, a powód to to, co dzieje się tuż po przesłaniu. System transkrypcji dekoduje plik do surowych próbek, miksuje kanały i przepróbkowuje dźwięk do częstotliwości, z jaką pracuje model. Dobrym publicznie dostępnym przykładem jest otwartoźródłowy Whisper od OpenAI: jego moduł wczytywania audio wywołuje FFmpeg, który zamienia każdy plik wejściowy na 16 kHz, mono, 16-bitowy PCM, zanim model zobaczy choćby jedną próbkę. Speech SDK od Microsoftu robi to samo za pomocą GStreamera, dekompresując MP3, Opus/Ogg, FLAC i dźwięk z MP4 do surowego PCM, a jego domyślnym formatem wejściowym jest WAV 16 kHz, 16 bitów, mono.

Pytanie „WAV czy MP3” sprowadza się więc do jednego: ile informacji o mowie przetrwa do momentu tej konwersji.

• WAV lub FLAC: przetrwa wszystko, co zarejestrował mikrofon. Dodatkowa wierność powyżej 16 kHz i tak zostaje odrzucona przy przepróbkowaniu, ale nic istotnego dla mowy nie ginie.

• MP3, AAC (M4A) lub Opus w rozsądnej przepływności: koder usuwa szczegóły, które uznaje za niesłyszalne. Mowa przeważnie zostaje nienaruszona, więc różnice przy wyraźnych nagraniach są zwykle niewielkie.

• Pliki o niskiej przepływności lub wielokrotnie przekodowane: artefakty rozmywają spółgłoski takie jak „s”, „f” czy „sz”, czyli właśnie te dźwięki, które odróżniają podobne słowa. Tu pliki stratne tracą realną dokładność.

Konwersja istniejącego MP3 do WAV nie pomaga. Dekoder w obu przypadkach wytwarza te same próbki; dostajesz tylko plik dziesięć razy większy.

Jaka częstotliwość próbkowania jest najlepsza do rozpoznawania mowy?

16 kHz to częstotliwość robocza większości współczesnych modeli mowy, a Google zaleca nagrywanie z częstotliwością 16 000 Hz lub wyższą. Whisper przepróbkowuje wszystko do 16 kHz. Amazon Transcribe obsługuje od 16 000 do 48 000 Hz dla dźwięku wysokiej jakości, a 8 000 Hz traktuje jako częstotliwość telefoniczną.

• 44,1 lub 48 kHz: domyślne ustawienie telefonów, kamer i rejestratorów. W zupełności wystarcza; nie trzeba jej samodzielnie obniżać.

• 16 kHz: wystarcza do mowy. Nagrywaj tak tylko wtedy, gdy miejsce na dysku jest realnym ograniczeniem.

• 8 kHz: dźwięk telefoniczny. Traci górne częstotliwości, które pomagają rozróżniać spółgłoski, więc spodziewaj się większej liczby błędów. Google radzi przesyłać takie nagranie w natywnych 8 kHz zamiast je nadpróbkowywać, bo nadpróbkowanie nie przywróci tego, czego nigdy nie zarejestrowano.

Ta sama logika dotyczy głębi bitowej. Standardem w rozpoznawaniu mowy są 16 bity; 24 bity dają zapas przy montażu dźwięku i nie szkodzą transkrypcji, ale też jej nie poprawiają.

Przepływność, kanały i obróbka: ustawienia, które mają znaczenie

Przepływność plików stratnych

Żaden dostawca nie podaje jednej bezpiecznej przepływności, więc traktuj to jako regułę praktyczną, a nie standard: dla mowy w mono rozsądnym minimum jest MP3 lub AAC 64 kb/s, a 96–128 kb/s daje wygodny zapas. Jeśli masz wybór, unikaj bardzo niskich ustawień, z których korzystają niektóre aplikacje do dyktowania i komunikatory z wiadomościami głosowymi, i nigdy nie kompresuj tego samego pliku dwa razy.

Mono, stereo czy osobne ścieżki

Pojedynczy głos nagrany w stereo zawiera tę samą mowę dwa razy, więc mono w zupełności wystarczy. Ważny wyjątek: jeśli każda osoba miała własny mikrofon, a rejestrator zapisał je na osobnych kanałach lub w osobnych plikach, nie łącz ich. Google zaleca przesyłanie każdego kanału osobno, gdy mówcy są na różnych kanałach, a nagrania zmiksowanego w takiej postaci, w jakiej jest. Osobne ścieżki eliminują nakładanie się głosów i sprawiają, że diaryzacja mówców jest znacznie bardziej wiarygodna.

Redukcja szumów i wzmocnienie

Nie ulegaj pokusie „czyszczenia” dźwięku przed przesłaniem. Google wprost radzi wyłączyć redukcję szumów i automatyczną regulację wzmocnienia, bo agresywne filtrowanie zniekształca cechy mowy, na których opierają się modele rozpoznawania. Współczesne modele trenuje się na zaszumionym dźwięku i zwykle lepiej radzą sobie z naturalnym, umiarkowanie zaszumionym nagraniem niż z mocno przetworzonym. Jeśli problemem jest hałas w tle, rozwiązaniem jest odległość od mikrofonu podczas nagrywania, a nie filtr po fakcie.

Jaki format pliku audio wybrać w danej sytuacji?

Przy wywiadach, które chcesz zachować, najpraktyczniejsze jest połączenie bezstratnego oryginału z lżejszą kopią roboczą. Nasz poradnik o transkrypcji wywiadów omawia ustawienie mikrofonu i zgodę na nagrywanie, które wpływają na wynik dużo bardziej niż format.

Czy konwertować nagranie przed przesłaniem do transkrypcji?

Zwykle nie. Konwersja pomaga tylko w trzech przypadkach: plik jest za duży dla Twojego łącza lub limitu usługi, urządzenie zapisało go w egzotycznym kontenerze, którego usługa nie przyjmuje, albo potrzebujesz samego dźwięku z dużego pliku wideo.

Rozmiar pliku to prosta arytmetyka. Rozmiar nieskompresowanego dźwięku to częstotliwość próbkowania razy głębia bitowa razy liczba kanałów:

Dwugodzinne nagranie terenowe w WAV 48 kHz/24 bity stereo to ponad 2 GB. Jeśli przesyłanie trwałoby dłużej niż sama transkrypcja, zrób jedną skompresowaną kopię: nasz darmowy konwerter audio i kompresor audio działają w przeglądarce, a narzędzie MP4 do MP3 wyciąga ścieżkę dźwiękową z dużego pliku wideo. Konwertuj raz, z oryginału, nigdy z kopii, która już jest skompresowana.

Lepszą alternatywą dla kompresji, jeśli rejestrator na to pozwala, jest niższa częstotliwość próbkowania w mono: WAV 16 kHz mono jest bezstratny, a zajmuje tylko około 115 MB na godzinę.

Jak przesłać plik audio do transkrypcji

Kroki są takie same w niemal każdej usłudze. Oto lista kontrolna, która pozwala uniknąć typowych wpadek.

1. Znajdź oryginalny plik. Użyj nagrania prosto z urządzenia, a nie kopii przesłanej przez komunikator, który często ponownie kompresuje dźwięk.

2. Sprawdź, na której ścieżce jest głos. Nagrania ekranu i eksporty wideo mają czasem dwie ścieżki audio (dźwięk systemowy i mikrofon). Odtwórz plik i upewnij się, że głos jest na ścieżce odtwarzanej domyślnie.

3. Wytnij długą ciszę. Dwadzieścia minut przygotowań przed wystąpieniem wydłuża przetwarzanie i może zmylić oznaczanie mówców.

4. Dziel maratony na sesje. Osobny plik na każdą sesję daje transkrypcje, w których łatwo coś znaleźć, i czystsze rozdzielenie mówców.

5. Zmniejszaj plik tylko w razie potrzeby. Jeśli plik jest za duży dla Twojego łącza, przekonwertuj go raz do MP3 lub M4A w przepływności 96–128 kb/s.

6. Ustaw język nagrania, jeśli usługa na to pozwala, zamiast polegać na automatycznym wykrywaniu przy krótkich lub wielojęzycznych nagraniach.

7. Sprawdź nazwiska i liczby w gotowej transkrypcji; to tam skupiają się błędy, niezależnie od formatu.

W BlaBlaScribe możesz przesłać pliki audio lub wideo do 8 GB każdy albo wkleić link z YouTube i dostać transkrypcję z oznaczeniem mówców w ponad 120 językach. Dokładność sięga 99,8% przy czystym nagraniu; hałaśliwe pomieszczenia i nagrania telefoniczne 8 kHz wypadną słabiej, tak jak w każdym silniku. Narzędzie pracuje na przesłanych nagraniach: nie jest botem, który dołącza do rozmów na żywo. Darmowy plan Starter daje jednorazowo 30 minut; w plikach dłuższych niż 10 minut widać pierwsze 10 minut, dopóki nie dokupisz pakietu minut lub planu. Jeśli wolisz ścieżkę dla konkretnego formatu, zobacz MP3 na tekst lub MP4 na tekst. Jeśli chcesz wiedzieć, co model robi z Twoim nagraniem po zdekodowaniu, przeczytaj, jak działa zamiana mowy na tekst przez AI.

Najczęściej zadawane pytania

WAV czy MP3: co jest lepsze do transkrypcji?

Technicznie lepszy jest WAV, bo jest bezstratny, a Google i Amazon zalecają bezstratne dane wejściowe. Przy wyraźnej mowie MP3 128 kb/s zwykle daje niemal równie dobrą transkrypcję, więc prześlij MP3, który masz, zamiast go konwertować.

Jaki jest najlepszy format audio do transkrypcji AI?

Nagrywaj w WAV (16-bitowy PCM) lub FLAC z częstotliwością 16 kHz lub wyższą, w mono albo z jednym kanałem na mówcę. Jeśli plik już istnieje w innym formacie, prześlij oryginał bez przekodowania.

Jakiej częstotliwości próbkowania używać do rozpoznawania mowy?

16 kHz lub wyższej. Większość modeli, w tym Whisper, przepróbkowuje dane wejściowe do 16 kHz, więc nagrania 44,1 lub 48 kHz są w porządku, a dźwięk telefoniczny 8 kHz traci szczegóły i daje mniej dokładną transkrypcję.

Czy konwersja MP3 do WAV poprawia dokładność transkrypcji?

Nie. Kompresja już usunęła utracone szczegóły, a dekodowanie MP3 do WAV daje te same próbki, które usługa transkrypcji zdekodowałaby sama, tylko w znacznie większym pliku.

Czy przed transkrypcją zamieniać wideo na audio?

Tylko po to, żeby zmniejszyć przesyłany plik. Usługi transkrypcji same wyodrębniają ścieżkę dźwiękową z plików MP4 lub MOV, więc transkrypcja wychodzi taka sama.

Czy przed transkrypcją usuwać szum tła?

Zwykle nie. Google radzi wyłączyć redukcję szumów i automatyczną regulację wzmocnienia, bo mocne filtrowanie zniekształca mowę; lepiej nagrywać bliżej mówiącego.

Dlaczego mój plik audio został odrzucony przy transkrypcji?

Większość odrzuceń wynika z nietypowego kontenera lub kodeka albo z przekroczenia limitu rozmiaru. Przekonwertuj plik raz z oryginału do MP3 lub M4A i prześlij ponownie.