Kontener, w którym wychodzi z platform prawie każde nagranie spotkania — i który wcale nie musi zawierać obrazu.
Plik MP4 zamienisz na tekst, przesyłając go w całości — czytamy z niego ścieżkę dźwiękową, więc nie musisz jej wyodrębniać. Najczęściej trafiają do nas nagrania ze spotkań, a godzina takiego wideo waży od 450 MB do 2,2 GB. Ta sama godzina jako plik z samym dźwiękiem to 30–60 MB, więc jeśli platforma go udostępnia, prześlij właśnie jego.
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.
MP4 to kontener, a nie format dźwięku ani obrazu. Ten sam plik z rozszerzeniem .mp4 może nieść ścieżkę wideo razem z dźwiękiem albo sam dźwięk i nic więcej. Plik .m4a to dokładnie ten sam kontener z jedną ścieżką audio — stąd bierze się połowa nieporozumień wokół tego formatu.
Dla transkrypcji nie ma to najmniejszego znaczenia: obraz i tak pomijamy, a czytamy ścieżkę dźwiękową. Znaczenie ma dla czasu wysyłania, i to bardzo duże.
Spotkania to najczęstsze źródło plików MP4, które do nas trafiają, i najbardziej wdzięczny materiał do przesłania inaczej. Obraz w takim nagraniu to zwykle udostępniony ekran albo kilka nieruchomych kamer — treści jest w nim tyle co nic, a bajtów bardzo dużo.
Wartości poniżej są orientacyjne i policzone tak samo: 1 Mbps to około 450 MB na godzinę. Kolumna „zmieści się w 5 GB” dzieli przez nie limit przesyłania, jednakowy dla wszystkich — anonimowo, w teście i w planach płatnych.
| Co przesyłasz | Typowe źródło | Na godzinę | Zmieści się w 5 GB |
|---|---|---|---|
| Sam dźwięk, 64 kbps mono | nagranie audio ze spotkania | 29 MB | ok. 175 h |
| Sam dźwięk, 128 kbps | eksport w wyższej jakości | 58 MB | ok. 88 h |
| Wideo, 1 Mbps | udostępniony ekran, mało ruchu | 450 MB | ok. 11 h |
| Wideo, 2 Mbps | siatka kamer, zwykłe spotkanie | 900 MB | ok. 5,5 h |
| Wideo, 5 Mbps | pełne 1080p, dużo ruchu | 2,2 GB | ok. 2 h |
Przewiń tabelę w bok, aby zobaczyć pozostałe kolumny.
Ta sama godzina spotkania waży więc kilkanaście do czterdziestu razy mniej, jeśli weźmiesz wersję dźwiękową. Zoom potrafi nagrywać osobny plik z samym dźwiękiem — trzeba to włączyć w ustawieniach nagrywania. W pozostałych platformach szukaj tej opcji przy pobieraniu nagrania; nie każda ją daje, a wtedy po prostu prześlij wideo.
Jeśli spotkanie nagrała platforma, do której masz dostęp, jej własny zapis bywa wystarczający — zwłaszcza gdy chodzi o szybkie przypomnienie, o czym była rozmowa. Ten sam plik przesłany tutaj daje jednak coś, czego tamten zapis z natury nie daje.
Nagranie ze spotkania to zwykle cudze słowa, więc warto pamiętać o zgodzie uczestników na nagrywanie i o tym, komu udostępniasz gotowy transkrypt. Nagrania przechowujemy prywatnie, a w ustawieniach konta możesz włączyć automatyczne kasowanie pliku dźwiękowego po 1, 7 albo 30 dniach — sam transkrypt zostaje.
Nie. Prześlij plik w całości — czytamy z niego ścieżkę dźwiękową, a obraz pomijamy. Wyodrębnianie skraca wyłącznie czas wysyłania i ma sens dopiero przy naprawdę dużym nagraniu albo wolnym łączu.
Zoom potrafi zapisać osobny plik z samym dźwiękiem, jeśli włączysz to w ustawieniach nagrywania. W innych platformach sprawdź listę plików przy pobieraniu nagrania. Jeśli takiej wersji nie ma, prześlij wideo — 5 GB starczy na kilka godzin typowego spotkania.
Nie, i tak jest nawet wygodniej. MP4 to kontener, który może nieść sam dźwięk — plik .m4a to ten sam kontener z jedną ścieżką. Przyjmujemy oba tak samo i w obu czytamy dokładnie to samo.
Ograniczeniem jest rozmiar, nie długość: 5 GB. Przy wideo ze spotkania to około 2 do 11 godzin, zależnie od przepływności obrazu. Przy wersji z samym dźwiękiem — blisko stu godzin i więcej.
