Format rozmów telefonicznych i starszych nagrywarek — najtrudniejszy materiał, jaki przyjmujemy, i warto wiedzieć dlaczego.
Plik AMR zamienisz na tekst, przesyłając go bez konwersji. Uczciwie: to najtrudniejszy materiał, jaki przyjmujemy, bo AMR-NB zapisuje pasmo 8 kHz przy kilku kilobitach na sekundę — tyle, ile potrzeba do rozmowy przez telefon. Rozpoznanie zadziała, ale pomyłek będzie więcej niż przy nagraniu z dyktafonu czy z telefonu trzymanego przy ustach.
Upuść plik tutaj lub wybierz go z dysku. Najpierw pokażemy Ci początek transkryptu.
skryba.ai transkrybuje na modelu Scribe v2, który w niezależnym indeksie Artificial Analysis myli 2,2% słów — najmniej ze wszystkich mierzonych. Dla porównania Gemini 3.5 Transcribe myli 2,6%, a Whisper large-v3 — 4,1%. To ten sam model, który zapisuje początek transkryptu pokazywany przed płatnością.
| Model | WER |
|---|---|
| skryba.ai (Scribe v2)model, na którym transkrybujemy | 2,2% |
| MAI-Transcribe-1.5Microsoft Azure | 2,4% |
| Gemini 3.5 TranscribeGoogle | 2,6% |
| Universal-3 ProAssemblyAI | 3,1% |
| GPT TranscribeOpenAI | 3,3% |
| Whisper large-v3OpenAI | 4,1% |
| Nova-3Deepgram | 5,2% |
Źródło: Artificial Analysis, indeks AA-WER v2, tryb non-streaming — odczyt 27 sierpnia 2026. Pokazujemy siedem z ponad 40 mierzonych modeli: czołówkę zestawienia i najbardziej rozpoznawalne nazwy. Ranking mierzy przede wszystkim nagrania po angielsku — dla polszczyzny nikt takiego porównania nie publikuje. Dlatego początek każdej transkrypcji pokazujemy, zanim o cokolwiek poprosimy.
AMR powstał po to, żeby ludzka mowa zmieściła się w kanale GSM, a nie po to, żeby ją wiernie zapisać. W odmianie wąskopasmowej próbkuje 8 kHz przy przepływności od 4,75 do 12,2 kbps — dla porównania zwykły MP3 z dyktafonu ma jej kilkakrotnie więcej przy dwukrotnie szerszym paśmie.
Praktyczny skutek jest zawsze ten sam: giną wysokie częstotliwości, po których odróżnia się spółgłoski szczelinowe. Po polsku najbardziej cierpią „s”, „sz” i „ś”, a po nich końcówki fleksyjne — czyli dokładnie to, co niesie gramatykę zdania. Nazwiska i nazwy własne wychodzą gorzej niż reszta tekstu, bo kontekst nie pomaga ich odgadnąć.
Piszemy o tym wprost, bo podgląd transkryptu jest darmowy i lepiej, żebyś ocenił jakość na własnym nagraniu przed rozpoczęciem testu, niż po nim. Jeśli wynik Cię nie przekona, nic nie zapłacisz.
Na przyszłość: większość telefonów pozwala dziś nagrywać dyktafonem systemowym, który zapisuje M4A w pełnym paśmie. Jeśli rozmowa ma być potem przepisana, to jest różnica między materiałem trudnym a łatwym — a nie kwestia lepszego programu do transkrypcji.
Nagranie rozmowy to zwykle także cudze słowa. Warto pamiętać, na jakiej podstawie zostało zrobione i komu udostępniasz gotowy transkrypt — my przechowujemy nagrania prywatnie, a w ustawieniach konta możesz włączyć automatyczne kasowanie pliku dźwiękowego po 1, 7 albo 30 dniach.
Ma, tylko z niższą dokładnością niż przy zwykłym nagraniu. Podgląd jest darmowy i nie wymaga konta, więc najtaniej sprawdzić to na własnym pliku — jeden rzut oka na pierwsze zdania wystarczy, żeby ocenić, czy wynik się nadaje.
Nie. Konwersja zwiększa plik, ale nie dokłada informacji, której w nim nie ma — pasmo 8 kHz zostaje pasmem 8 kHz. Prześlij oryginał.
Też go przyjmiemy. 3GP to kontener ze starszych telefonów, w którym dźwięk bywa właśnie zakodowany w AMR — czasem razem z obrazem, czasem sam. Prześlij bez konwersji.
