Com transcriure MP3 a text: comparació de 4 mètodes

Per l'equip editorial de whispertranscribe.ai · Última actualització: novembre de 2026 · 12 minuts de lectura

Per transcriure MP3 a text, deixa el fitxer en una eina de transcripció amb IA, tria l'idioma parlat i exporta el resultat com a DOCX, TXT o SRT. També pots utilitzar Transcribe de Microsoft Word, escriure'l a mà o executar el model gratuït Whisper d'OpenAI al teu ordinador. Triïs el que triïs, la qualitat de l'MP3 posa el límit al resultat.

A continuació tens els quatre mètodes pas a pas, com llegir la taxa de bits i la freqüència de mostreig, una llista d'àudio, consells per a fitxers llargs i diversos parlants i una revisió en 3 passades.

Resposta ràpida: com transcriure MP3 a text

Per a la majoria de persones, una eina en línia és la més ràpida: accepta l'MP3 tal com és, etiqueta els parlants i retorna un fitxer editable. Utilitza Word si ja pagues Microsoft 365, escriu clips curts a mà i executa Whisper localment quan l'àudio no pugui sortir del teu ordinador.

  1. Comprova el fitxer. Escolta 30 segons per confirmar que les veus són clares.
  2. Puja i configura les opcions. Tria l'idioma parlat i activa la detecció de parlants si parla més d'una persona.
  3. Revisa i exporta. Corregeix noms i números i descarrega DOCX o TXT per a documents, SRT o VTT per a subtítols.

Quin mètode hauries d'utilitzar?

Tria segons la quantitat d'àudio, si necessites etiquetes de parlants i on pot anar l'àudio. Els detalls de Microsoft es van comprovar el novembre de 2026.

Mètode Cost Etiquetes de parlants On va l'àudio Millor per a
1. Eina de transcripció en línia Moltes ofereixen inici gratuït; plans de pagament per a volum Sí, a la majoria Servidors del proveïdor Entrevistes, pòdcasts, conferències, feina habitual
2. Microsoft Word Transcribe Inclòs amb Microsoft 365, fins a 300 minuts pujats al mes Sí (Speaker 1, Speaker 2) Servidors de Microsoft; el fitxer es desa a OneDrive Fitxers ocasionals si ja utilitzes Word
3. Transcripció manual Gratuïta, però costa hores Les afegeixes tu Es queda al dispositiu Clips curts, cites que han de ser exactes
4. Whisper al teu ordinador Gratuït, de codi obert No a l'eina oficial Es queda al dispositiu Àudio privat, usuaris tècnics, lots

Abans de començar: comprova l'MP3 en 60 segons

MP3 és un format amb pèrdua. La descripció del format de la Library of Congress explica que descarta sons menys perceptibles i que un MP3 de 128 kbit/s ocupa aproximadament una onzena part de l'àudio amb qualitat de CD. Els detalls perduts no es poden recuperar, així que convé saber amb què treballes.

A Windows, obre Properties → Details; al Mac, Get Info. Amb FFmpeg instal·lat, aquesta ordre mostra còdec, freqüència de mostreig, canals, taxa de bits i durada:

ffprobe -v error -select_streams a:0 -show_entries stream=codec_name,sample_rate,channels,bit_rate -show_entries format=duration -of default=noprint_wrappers=1 interview.mp3

L'ordre és un exemple per a FFmpeg 7.1 i no s'ha executat en aquesta revisió. La sortida pot mostrar línies com sample_rate=44100 i bit_rate=128000. Com interpretar-les:

Valor Què indica Què significa per a la transcripció
bit_rate Quantes dades per segon han sobreviscut a la compressió Les taxes molt baixes deixen menys detall que no es pot recuperar
sample_rate Quantes vegades per segon s'ha mostrejat el so Google recomana 16,000 Hz o més per al reconeixement de veu
channels Mono (1) o estèreo (2) L'estèreo va bé; Whisper el barreja en mono en carregar-lo
duration Durada de la gravació Indica si arribaràs al límit de durada o minuts de l'eina

La taxa de bits de l'MP3 afecta la precisió?

Pot afectar-la. Les bones pràctiques de reconeixement de veu de Google Cloud diuen que els còdecs amb pèrdua, inclòs MP3, poden reduir la precisió i que el soroll i l'eco perjudiquen més quan també hi ha un còdec amb pèrdua. No hi ha cap llindar de taxa publicat, així que considera-la un factor entre diversos. Una veu clara i propera al micròfon importa més que una taxa alta.

La regla pràctica: transcriu la millor versió disponible. Si existeix l'original WAV o FLAC, utilitza'l. Recodificar un fitxer de 96 kbps a 320 kbps o desar-lo com a WAV el fa més gran sense recuperar detalls.

Quina freqüència de mostreig necessita el reconeixement de veu?

Per a veu, 16 kHz sol ser suficient. El codi obert de Whisper d'OpenAI carrega cada fitxer amb FFmpeg, el converteix a mono i el remostreja a 16,000 Hz abans que el model l'escolti (whisper/audio.py a GitHub). La guia de Google també desaconsella remostrejar manualment. Una gravació telefònica a 8,000 Hz s'ha d'enviar tal com és, sense augmentar-ne la freqüència.

Els 44.1 kHz o 48 kHz habituals d'un MP3 són més que suficients. No canviïs la freqüència abans de pujar-lo.

Llista de qualitat d'àudio

Abans de qualsevol feina important:

  • Escolta l'inici i un fragment del mig. L'idioma és correcte i tothom se sent?
  • Comprova el volum. ffmpeg -i interview.mp3 -af volumedetect -f null - mostra el volum mitjà i màxim. Un màxim proper a 0 dB pot indicar saturació, i els pics distorsionats són difícils de recuperar.
  • Evita una reducció de soroll intensa. La guia de Google diu que processar el soroll abans del reconeixement normalment en redueix la precisió.
  • Anota noms, sigles i termes especialitzats per revisar-los després.
  • Conserva el fitxer original fins que la transcripció sigui definitiva.

Mètode 1: puja l'MP3 a una eina de transcripció en línia

Les eines en línia són la manera més ràpida de convertir un MP3 llarg en text editable: el model funciona als servidors del proveïdor i no cal instal·lar res. Els passos fan servir whispertranscribe.ai. whispertranscribe.ai és una eina web d'IA que converteix àudio i vídeo en text en més de 130 idiomes, admet càrregues de fins a 5 GB i 10 hores i utilitza el model Whisper d'OpenAI. Altres eines funcionen de manera semblant, amb menús diferents.

Pas 1: obre la pàgina de transcripció MP3 i tria l'idioma

Ves a la pàgina de transcripció MP3 a text i, a Step 1, tria l'idioma parlat. Hi ha més de 130 idiomes, variants regionals com English (India) i opcions Noise / Low-Quality Audio/Video per a gravacions difícils.

Pas 2: puja l'MP3

A Step 2, arrossega el fitxer o selecciona'l. Pot ocupar fins a 5 GB i els plans admeten gravacions de fins a 10 hores. També funcionen WAV, M4A, FLAC, MP4 i MOV.

Pas 3: activa Speaker Detection si cal

Per a entrevistes, reunions i pòdcasts, activa Enable Speaker Detection perquè cada intervenció quedi etiquetada.

Pas 4: inicia la transcripció

Fes clic a Transcribe MP3 to text. La precisió arriba fins al 99% amb àudio net. El soroll de fons, els accents forts i les veus superposades la redueixen, així que preveu revisar-la.

Pas 5: exporta la transcripció

Descarrega DOCX, PDF, TXT o CSV per a documents i anàlisi, o SRT i VTT per a subtítols temporitzats. Si vols subtítols des del principi, el convertidor MP3 a SRT crea directament un fitxer de subtítols.

Pots provar-ho gratis sense compte abans de triar pla. Els plans de pagament comencen a $9.99/mes facturats anualment; consulta els preus. Un vídeo gran es pot reduir primer amb el convertidor d'àudio i vídeo a MP3, i un MP3 de Google Drive o Dropbox pot entrar directament a transcriure des d'un URL.

Cal saber: les eines en línia pugen l'àudio als servidors del proveïdor. Per a gravacions confidencials, llegeix primer la política de privadesa o utilitza el mètode 3 o 4.

Mètode 2: utilitza Transcribe de Microsoft Word

Amb Microsoft 365, Word pot transcriure un MP3. Segons Microsoft Support (consultat el novembre de 2026), Transcribe accepta .mp3, .wav, .m4a i .mp4 i separa els parlants.

  1. Inicia sessió a Microsoft 365 i obre un document a Word per al web (Microsoft Edge nou o Chrome) o Word per a Microsoft 365 a Windows.
  2. Ves a Home → Dictate (desplegable) → Transcribe.
  3. Al tauler Transcribe, tria Upload audio i selecciona l'MP3.
  4. Mantén el tauler obert mentre treballa; Microsoft diu que pot trigar aproximadament la durada del fitxer.
  5. Revisa'l: reprodueix fragments fins a 2x, edita text i canvia «Speaker 1» arreu d'una vegada.
  6. Tria Add all to document per inserir la transcripció i desa com a DOCX.

Límits: els usuaris de Microsoft 365 tenen fins a 300 minuts d'àudio pujat al mes. Cada document conté una transcripció i les càrregues es desen a la carpeta Transcribed Files de OneDrive. Microsoft diu que la versió d'escriptori de Windows està limitada actualment a organitzacions comercials. La pàgina d'ajuda no enumera exportació SRT o VTT, així que Word és més adequat per a documents que per a subtítols.

Mètode 3: transcriu l'MP3 manualment

Escriure'l tu mateix és gratuït i manté l'àudio al dispositiu, però és lent. Fes-ho servir per a clips curts, cites exactes o fragments que una màquina hagi interpretat malament.

  1. Obre l'MP3 en un reproductor que pugui alentir-lo i retrocedir amb una drecera, amb un document en blanc al costat.
  2. Posa la velocitat a uns 0.75x i treballa en fragments curts: reprodueix una frase, pausa, escriu i retrocedeix si cal.
  3. Marca el parlant a cada torn, per exemple INTERVIEWER: i MARIA:. La guia del W3C sobre transcripcions indica que una transcripció de pòdcast pot consistir en paràgrafs senzills amb els parlants identificats.
  4. Marca allò que no sentis amb una marca de temps, com [inaudible 00:14:32], per tornar-hi.
  5. Fes una passada final a velocitat normal mentre llegeixes per detectar paraules homòfones equivocades.

O deixa que una eina escrigui l'esborrany i utilitza aquesta rutina només on importi.

Mètode 4: executa Whisper al teu ordinador

Whisper és el model de reconeixement de veu de codi obert d'OpenAI, entrenat amb 680,000 hores d'àudio multilingüe segons l'article de recerca d'OpenAI. Executar-lo localment és gratuït i no es puja res. El contrapunt és la configuració: necessites Python, FFmpeg i paciència en màquines lentes.

Instal·la'l com descriu el repositori oficial:

pip install -U openai-whisper

FFmpeg també ha d'estar instal·lat i al PATH. Després transcriu:

whisper interview.mp3 --model turbo --language English --output_format srt

Utilitza --output_format txt per a text pla o omet l'opció per escriure TXT, VTT, SRT, TSV i JSON alhora. En CPU, afegeix --fp16 False per evitar un avís. Les ordres per a openai-whisper 20250625, inclòs el model tiny, són exemples i no s'han executat en aquesta revisió.

Model Paràmetres VRAM aprox. (segons OpenAI) Velocitat respecte de large (segons OpenAI)
tiny 39 M aproximadament 1 GB aproximadament 10x
small 244 M aproximadament 2 GB aproximadament 4x
medium 769 M aproximadament 5 GB aproximadament 2x
turbo (per defecte) 809 M aproximadament 6 GB aproximadament 8x
large 1550 M aproximadament 10 GB 1x

OpenAI descriu turbo com un large-v3 optimitzat amb pèrdua mínima de precisió, però no està entrenat per traduir.

Què perds: l'eina oficial no té etiquetatge de parlants, editor ni exportació DOCX o PDF, i OpenAI indica que el rendiment varia molt segons l'idioma. Projectes de la comunitat cobreixen algunes mancances, cadascun amb la seva configuració.

Com gestionar MP3 llargs, diversos parlants i altres idiomes

Gravacions llargues

Comprova el límit abans de pujar. Els plans de whispertranscribe.ai admeten fitxers de fins a 10 hores i 5 GB; l'assignació mensual de Word és de cinc hores en total. Per a una eina amb un límit més curt, FFmpeg pot tallar l'MP3 en parts d'una hora sense recodificar:

ffmpeg -i lecture.mp3 -f segment -segment_time 3600 -c copy lecture_part_%03d.mp3

Un tall pot caure a mitja frase, així que comprova les unions quan ajuntis el text. Per a classes i conferències, consulta transcripció de conferències.

Diversos parlants

Activa la detecció de parlants i canvia les etiquetes genèriques abans de compartir. Les etiquetes fallen sobretot quan les persones s'interrompen o s'assemblen, així que comprova alguns torns de cadascú. A la sessió següent, dona un micròfon propi a cada persona.

Altres idiomes i accents

Tria l'idioma en lloc de la detecció automàtica, sobretot si el fitxer comença amb música. whispertranscribe.ai ofereix Multilingual Mix per a gravacions que canvien entre anglès, espanyol, francès, alemany, hindi, rus, portuguès, japonès, italià i neerlandès. Si necessites text anglès d'un MP3 en un altre idioma, utilitza traduir àudio a l'anglès en lloc de transcriure i traduir per separat.

Com revisar una transcripció MP3: procés en 3 passades

Els esborranys d'IA fallen en llocs previsibles, així que rarament cal tornar a escoltar tot el fitxer.

Passada 1: cerca, no escoltis. Fes cerca i substitució amb la llista de noms i termes per corregir totes les faltes alhora.

Passada 2: escolta els punts crítics. Salta a aquests llocs i comprova'ls amb l'àudio:

Punt crític Què sol fallar Com comprovar-ho
Números i dates «quinze» per «cinquanta», decimals perduts Torna a escoltar cada xifra que citaràs
Noms i marques Escrits fonèticament Compara'ls amb la llista de termes
Veus superposades Dues frases fusionades o una d'ometuda Escolta a velocitat normal i després més lenta
Canvis de parlant Línia atribuïda a la persona equivocada Comprova la primera línia després de cada canvi
Veus fluixes o llunyanes Falten paraules Apuja el volum d'aquell fragment
Primers i últims minuts Conversa informal, música, idioma deduït erròniament Elimina o corregeix segons calgui

Passada 3: llegeix-la com a document. Llegeix una vegada sense àudio; torna a escoltar allò que no tingui sentit. Marca el que encara no sentis com [unclear] en lloc d'endevinar.

Quin format d'exportació necessites?

Tria segons el pas següent: els documents necessiten DOCX o TXT; el text sobre vídeo, SRT o VTT.

Format Utilitza'l per a
DOCX Edició, informes, articles i notes del programa
PDF Còpia fixa per compartir o arxivar
TXT Enganxar en altres aplicacions o resums d'IA
CSV Fulls de càlcul i anàlisi de recerca
SRT Subtítols per a YouTube, editors de vídeo i reproductors
VTT Subtítols per a reproductors de vídeo web HTML5

Per a notes de veu del telèfon, la pàgina de transcripció de notes de veu cobreix les mateixes opcions.

Preguntes freqüents

Puc transcriure MP3 a text gratis?

Sí. Escriure'l a mà sempre és gratuït i executar el Whisper de codi obert d'OpenAI al teu ordinador no costa més que el temps de configuració i el maquinari. Moltes eines en línia també ofereixen un inici gratuït. whispertranscribe.ai té una opció gratuïta sense compte, útil per comprovar el resultat del teu àudio. Les opcions gratuïtes solen limitar la durada o les funcions; per a feina habitual, compara plans de pagament. whispertranscribe.ai comença a $9.99/mes facturats anualment.

Quant triga a transcriure's un fitxer MP3?

Amb una eina d'IA, normalment molt menys que la durada de l'àudio, tot i que depèn del fitxer i del servei. Microsoft diu que Word Transcribe pot trigar aproximadament la durada del fitxer. Whisper local depèn del maquinari i del model; els models petits són més ràpids però cometen més errors. Escriure a mà triga diverses vegades la durada de l'àudio, per això la majoria només transcriu clips curts manualment.

Convertir MP3 a WAV millora la precisió?

No. Desar un MP3 com a WAV o recodificar-lo a una taxa més alta fa el fitxer més gran però no recupera el detall eliminat quan es va crear l'MP3. MP3 és un format amb pèrdua. Si existeix l'original WAV o FLAC, transcriu-lo. Altrament, puja l'MP3 tal com és. Motors com Whisper remostregen internament a 16 kHz mono, així que canviar la freqüència manualment tampoc ajuda.

Com transcric un MP3 amb diversos parlants?

Utilitza una eina amb detecció de parlants i activa-la abans de començar. La transcripció assigna a cada torn una etiqueta numerada com Speaker 1, que després canvies pel nom real. Microsoft Word Transcribe i whispertranscribe.ai etiqueten parlants; l'eina oficial de línia d'ordres de Whisper no. Revisa les etiquetes on les persones s'interrompen, perquè és on més es confonen.

Puc convertir un MP3 en un document de Word?

Sí. La manera més ràpida és transcriure l'MP3 amb una eina en línia i exportar DOCX, que s'obre directament a Word o Google Docs. Amb Microsoft 365 també pots pujar l'MP3 a Word mitjançant Home, Dictate, Transcribe, Upload audio i triar Add all to document. Una subscripció a Microsoft 365 inclou fins a 300 minuts d'àudio pujat al mes.

Puc convertir un MP3 en subtítols en lloc d'una transcripció?

Sí. Exporta la transcripció com a SRT o VTT en lloc de DOCX o TXT. Tots dos formats conserven el temps de cada línia perquè el reproductor o editor mostri el text al moment correcte. Amb whispertranscribe.ai pots exportar SRT o VTT després de transcriure o utilitzar el convertidor MP3 a SRT. L'eina de línia d'ordres de Whisper també pot escriure SRT i VTT amb l'opció de format de sortida.


A punt per provar-ho? Puja un fitxer a whispertranscribe.ai amb el convertidor MP3 a text, o utilitza el convertidor gratuït d'àudio a text per a altres formats. Tots dos funcionen en més de 130 idiomes, amb etiquetes de parlants i exportació DOCX, PDF, TXT, CSV, SRT i VTT.

Referències

Vols convertir les teves gravacions en text?

Transcriu àudio i vídeo amb whispertranscribe.ai.

Comença a transcriure ↗