Transkrypcja długich nagrań: dziel je porządnie, zamiast liczyć na szczęście
19 sierpnia 2026 · 8 min czytania
Dwugodzinne wykłady i całe dni konferencji transkrybują się dużo pewniej, gdy najpierw potniesz je we właściwych miejscach. Gdzie dzielić, jak potem poprawić znaczniki czasu i jakich poleceń użyć.
Nagranie 90-minutowego wykładu, konferencja trwająca cały dzień, długi wywiad narracyjny: takie nagrania są normą, gdy transkrybujesz regularnie. Wrzucenie ich do modelu w jednym kawałku wygląda wygodnie – dopóki awaria w 80. minucie nie kosztuje cię całego pliku, transkrypcja nie zamienia się w nieczytelny blok tekstu albo nie wyczerpuje się twój limit. Najpierw podział jest szybszy, a pomyłka kosztuje kilka minut zamiast dwóch godzin.
Kiedy podział naprawdę się opłaca?
Nie każdy długi plik trzeba ciąć. O tym decydują trzy pytania: czy plik mieści się w limitach usługi, czy potrzebujesz spójnych etykiet mówców na całej długości i jak bardzo uciążliwe byłoby ponowne przetwarzanie. W Sprechverlauf darmowy okres próbny obejmuje pliki do 10 minut; w płatnych planach można przesłać naraz do 4 godzin, a długie nagrania i tak są wewnętrznie dzielone na sekcje po 30 minut. Samodzielne dzielenie nadal się opłaca, gdy chcesz zapisać sekcje osobno albo powtórzyć przetwarzanie jednej z nich.
| Długość nagrania | Zalecenie | Powód |
|---|---|---|
| Do 30 minut | Zostaw w całości | Mieści się w jednym pliku i zachowuje spójne etykiety mówców |
| 30–60 minut | Dwie części, cięcie w pauzie | Jedną część można powtórzyć bez ponownego przetwarzania całości |
| 1–3 godziny | Sekcje po 20–30 minut | Pasują do punktów programu, przerw lub zmian tematu |
| Całe dni konferencji | Jeden plik na wystąpienie lub sesję | Każda sekcja dostaje własną, sensownie nazwaną transkrypcję |
| Nagrania z długimi pauzami | Najpierw usuń ciszę | Oszczędza czas przetwarzania i unika pustych fragmentów |
Jedna zasada: nigdy nie tnij w połowie zdania
Rozpoznawanie mowy opiera się na kontekście. Rozetnij zdanie w połowie, a obie części stracą sens: pierwsza urywa się, a druga zaczyna się bez punktu odniesienia. Najbardziej szkodzi to przy terminach technicznych i nazwach własnych, czyli dokładnie tam, gdzie model polega na otaczających słowach. Tnij w trakcie pauzy, najlepiej w miejscu, w którym i tak zmienia się temat.
- Tnij między punktami programu, slajdami lub rundami pytań
- Zostaw dwie do trzech sekund zapasu na styku, żeby żadne słowo nie zniknęło
- Usuń całkowicie powitanie, sprawdzanie dźwięku i pożegnanie
- Wcześniej usuń fragmenty z samą muzyką, brawami i ustawianiem sprzętu
- Nazywaj części po kolei: „wykład-01”, „wykład-02”, a nie „nowy” i „nowy-finalny”
Podział w ffmpeg: wystarczą dwa polecenia
ffmpeg jest darmowy, działa wszędzie i nie przekoduje dźwięku, dopóki o to nie poprosisz. To polecenie dzieli plik na sekcje po 25 minut (1500 sekund) i nie rusza ścieżki audio:
- ffmpeg -i lecture.m4a -f segment -segment_time 1500 -c copy part_%02d.m4a
- ffmpeg -i lecture.wav -ac 1 -b:a 64k lecture.mp3 (przed podziałem znacznie zmniejsza nagrania mowy)
- ffmpeg -i lecture.m4a -ss 00:12:30 -to 00:41:00 -c copy excerpt.m4a (wycina jedną konkretną sekcję)
Mono 64 kbit/s brzmi drastycznie, ale przy mowie nie ma to znaczenia: model nie potrzebuje ani szerokiej stereofonii, ani rozdzielczości na poziomie muzyki. Godzina rozmowy spokojnie mieści się w około 30 MB. Zachowaj oryginał i pracuj na mniejszej kopii – dziel zawsze kopię, nigdy oryginału.
Podział bez wiersza poleceń
Jeśli nie chcesz otwierać terminala, Audacity zaprowadzi cię równie daleko: otwórz plik, zaznacz zakres, a potem „File → Export → Export Selected Audio”. Widok przebiegu fali ma tu prawdziwą przewagę nad wierszem poleceń – pauzy widać jako wąskie odcinki, więc widzisz miejsce cięcia zamiast je zgadywać. Na telefonie wbudowane aplikacje do notatek głosowych robią to samo, choć mniej dokładnie.
Po podziale: znaczniki czasu zaczynają się od zera
Każda transkrypcja liczy czas od początku własnego pliku. Druga część wykładu zaczyna się więc znowu od 00:00, mimo że w rzeczywistości zaczyna się w 25. minucie. Przy łączeniu części musisz dodać przesunięcie początku do każdego znacznika czasu, inaczej wszystkie odniesienia wskażą złe miejsce. W plikach SRT i VTT większość edytorów napisów robi to w funkcji o nazwie „shift” albo „offset times”.
- Zapisz przesunięcie początku każdej części, zanim stracisz z oczu oryginalny plik
- Przy łączeniu eksportów tekstu dodaj podtytuł do każdej części
- Cytuj z numerem części i czasem, na przykład „część 2, 07:41”
- Łącz napisy dopiero po przesunięciu czasów
Etykiety mówców nie przechodzą między częściami
Wykrywanie mówców analizuje każdy plik osobno. „Mówca 1” w części pierwszej i „Mówca 1” w części drugiej nie muszą być tą samą osobą – żaden z przebiegów nie wie o drugim. To cecha tej metody, a nie błąd. W praktyce: posłuchaj pierwszych sekund każdej części i zamień ogólne etykiety na prawdziwe imiona, zanim połączysz sekcje.
Gdy spójne przypisanie mówców jest ważniejsze niż cokolwiek innego – na przykład przy rozprawie albo dyskusji grupowej z sześcioma uczestnikami – ma sens nie dzielić nagrania wcale, ustawić liczbę mówców ręcznie i zaakceptować dłuższy czas przetwarzania.
Sprawdzona kolejność działań
- Zarchiwizuj oryginał i utwórz roboczą kopię jako MP3 mono
- Przejrzyj nagranie raz i zaznacz miejsca cięcia w pauzach
- Podziel na sekcje po 20–30 minut, ponumerowane po kolei
- Transkrybuj sekcje po kolei, najpierw ustawiając język i kluczowe terminy
- Zamień etykiety mówców na prawdziwe imiona w każdej sekcji
- Przesuń znaczniki czasu o przesunięcie początku i połącz teksty
- Wyrywkowo sprawdź liczby, nazwiska i cytaty, porównując z nagraniem