Format, w którym iPhone zapisuje wideo, a QuickTime eksportuje wszystko — przyjmujemy go bez konwersji.
Plik MOV zamienisz na tekst, przesyłając go bez konwersji do MP4 — czytamy z niego ścieżkę dźwiękową i pomijamy obraz. Uwaga na jedno: notatka głosowa z iPhone'a nie jest plikiem MOV, tylko M4A. MOV zapisuje aparat, więc jeśli nagrywałeś dyktafonem w telefonie, szukaj innego rozszerzenia.
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.
Ludzie szukający transkrypcji „nagrania z iPhone'a” trafiają tu z trzema różnymi plikami, bo telefon zapisuje co innego zależnie od tego, co zostało uruchomione. Warto to rozstrzygnąć na początku, bo od tego zależy, którego pliku szukać w telefonie.
| Czym nagrywałeś | Co dostajesz | Czy zawiera obraz |
|---|---|---|
| Aparat, tryb wideo | MOV | tak |
| Dyktafon (Notatki głosowe) | M4A | nie |
| Nagrywanie ekranu | zwykle MP4 | tak |
Przewiń tabelę w bok, aby zobaczyć pozostałe kolumny.
Wszystkie trzy przyjmujemy tak samo i we wszystkich czytamy wyłącznie dźwięk. Różnica jest w rozmiarze: notatka głosowa waży kilkanaście megabajtów na godzinę, a wideo z aparatu — setki megabajtów albo więcej.
Największe ryzyko przy nagraniach z telefonu nie leży w formacie, tylko w drodze na komputer. Wysłanie wideo komunikatorem — albo mailem, jeśli klient poczty sam zmniejsza załączniki — potrafi skończyć się rekompresją: plik robi się mniejszy, obraz gorszy, a razem z nim schodzi w dół ścieżka dźwiękowa, czyli dokładnie to, na czym nam zależy.
Osobna sprawa to kodek. iPhone domyślnie nagrywa w trybie „wysoka wydajność” (HEVC), przez co plik bywa nie do otwarcia w starszych programach na Windowsie. Nam to nie przeszkadza — ścieżkę dźwiękową czytamy niezależnie od tego, czym zakodowany jest obraz.
Nie. Prześlij plik tak, jak wyszedł z telefonu albo z QuickTime. Konwersja zajmuje czas, a niczego nie poprawia — i tak czytamy z pliku samą ścieżkę dźwiękową.
To normalne: Notatki głosowe zapisują M4A, nie MOV. Przyjmujemy je tak samo i są znacznie mniejsze, bo nie zawierają obrazu. MOV zapisuje aparat w trybie wideo.
Tak. To zwykle kwestia kodeka HEVC, którego starsze odtwarzacze nie znają — dotyczy obrazu, a nie dźwięku. Ścieżkę dźwiękową czytamy niezależnie od tego, czym zakodowany jest obraz.
