نوشتهٔ تحریریهٔ whispertranscribe.ai · آخرین بهروزرسانی: نوامبر 2026 · زمان مطالعه: 12 دقیقه
برای تبدیل MP3 به متن، فایل را در ابزار پیادهسازی با هوش مصنوعی بارگذاری کنید، زبان گفتار را انتخاب کنید و خروجی DOCX، TXT یا SRT بگیرید. همچنین میتوانید از قابلیت Transcribe در Microsoft Word استفاده کنید، خودتان تایپ کنید یا مدل رایگان Whisper شرکت OpenAI را روی رایانهتان اجرا کنید. نتیجهٔ هر روش به کیفیت فایل MP3 بستگی دارد.
در ادامه، هر چهار روش را مرحلهبهمرحله شرح میدهیم و میگوییم چطور نرخ بیت و نرخ نمونهبرداری فایل را بررسی کنید. چکلیست کیفیت صدا، نکتههایی برای فایل طولانی یا چند گوینده و روند سهمرحلهای بازبینی را هم خواهید دید.
پاسخ کوتاه: چگونه MP3 را به متن تبدیل کنیم؟
برای بیشتر افراد، ابزار آنلاین سریعترین گزینه است. فایل MP3 را همانطور که هست دریافت میکند، به گویندگان برچسب میزند و فایل قابل ویرایش میدهد. اگر از قبل هزینهٔ Microsoft 365 را میپردازید، از Word استفاده کنید. قطعههای کوتاه را میتوانید دستی تایپ کنید. وقتی صدا باید روی دستگاه بماند، Whisper را محلی اجرا کنید.
- فایل را بررسی کنید. 30 ثانیه پخش کنید تا مطمئن شوید صداها واضحاند.
- بارگذاری و گزینهها را تنظیم کنید. زبان گفتار را انتخاب کنید و اگر بیش از یک نفر صحبت میکند، تشخیص گوینده را روشن کنید.
- بازبینی کنید و خروجی بگیرید. نامها و اعداد را درست کنید. برای سند، DOCX یا TXT و برای زیرنویس، SRT یا VTT بگیرید.
کدام روش را انتخاب کنید؟
سه عامل را در نظر بگیرید: مدت صدا، نیاز به برچسب گوینده و جایی که مجازید فایل را بفرستید. جزئیات مایکروسافت در نوامبر 2026 بررسی شدهاند.
| روش | هزینه | برچسب گوینده | صدا کجا میرود؟ | مناسب برای |
|---|---|---|---|---|
| 1. ابزار آنلاین تبدیل صوت به متن | شروع رایگان در بسیاری از ابزارها، طرح پولی برای استفادهٔ زیاد | بله، در بیشتر ابزارها | سرورهای ارائهدهنده | مصاحبه، پادکست، سخنرانی و کار منظم |
| 2. قابلیت Transcribe در Microsoft Word | همراه Microsoft 365، تا 300 دقیقه صوت بارگذاریشده در ماه | بله (Speaker 1، Speaker 2) | سرورهای مایکروسافت، نگهداری فایل در OneDrive شما | فایلهای گهگاه، اگر از قبل Word دارید |
| 3. پیادهسازی دستی | رایگان، اما چند ساعت زمان میبرد | خودتان اضافه میکنید | روی دستگاه شما میماند | قطعههای کوتاه و نقلقولهایی که باید دقیق باشند |
| 4. Whisper روی رایانهٔ شما | رایگان، متنباز | در ابزار رسمی وجود ندارد | روی دستگاه شما میماند | صدای محرمانه، کاربران فنی و پردازش گروهی |
قبل از شروع: فایل MP3 را در 60 ثانیه بررسی کنید
MP3 قالبی همراه با اتلاف داده است. توضیح قالب در کتابخانهٔ کنگره میگوید این قالب بخشی از صداهای کمتر شنیدنی را کنار میگذارد. یک MP3 با نرخ 128 کیلوبیت بر ثانیه حدود یکیازدهم صدای کیفیت CD حجم دارد. جزئیات حذفشده قابل بازیابی نیستند، پس ابتدا مشخصات فایل را بررسی کنید.
در ویندوز Properties → Details و در مک Get Info را باز کنید. اگر FFmpeg نصب است، فرمان زیر کدک، نرخ نمونهبرداری، کانالها، نرخ بیت و مدت را نشان میدهد:
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
مقالهٔ اصلی انگلیسی گزارش میدهد که نحو این فرمان با FFmpeg 7.1 و یک MP3 کوتاه بررسی شد. خروجی خطهایی مانند sample_rate=44100 و bit_rate=128000 دارد. آنها را اینطور بخوانید:
| مقدار | چه چیزی را نشان میدهد؟ | برای تبدیل به متن چه اهمیتی دارد؟ |
|---|---|---|
| bit_rate | مقدار داده در هر ثانیه پس از فشردهسازی | در نرخ بیت بسیار پایین جزئیات کمتری میماند و نمیتوان آنها را برگرداند |
| sample_rate | صدا چند بار در ثانیه اندازهگیری شده است | گوگل برای تشخیص گفتار 16,000 هرتز یا بالاتر را توصیه میکند |
| channels | مونو (1) یا استریو (2) | استریو هم قابل استفاده است. Whisper هنگام خواندن فایل آن را به مونو تبدیل میکند |
| duration | طول ضبط | نشان میدهد آیا به محدودیت زمان فایل یا دقیقههای مجاز ابزار میرسید |
آیا نرخ بیت MP3 بر دقت متن اثر دارد؟
ممکن است اثر داشته باشد. طبق بهترین روشهای تشخیص گفتار Google Cloud، کدکهای با اتلاف داده از جمله MP3 ممکن است دقت را کم کنند. نویز یا پژواک همراه این نوع فشردهسازی اثر بیشتری دارد. حد ثابتی برای نرخ بیت منتشر نشده است، پس نرخ بیت را یکی از چند عامل در نظر بگیرید. صدای واضح نزدیک میکروفون بیشتر از نرخ بیت بالا اهمیت دارد.
بهترین نسخهٔ موجود را به متن تبدیل کنید. اگر WAV یا FLAC اصلی را دارید، از همان استفاده کنید. تبدیل فایل 96 kbps به 320 kbps یا ذخیرهٔ آن بهعنوان WAV حجم را بالا میبرد و جزئیات را برنمیگرداند.
تشخیص گفتار به چه نرخ نمونهبرداری نیاز دارد؟
برای تشخیص گفتار معمولاً 16 کیلوهرتز کافی است. کد متنباز Whisper شرکت OpenAI هر فایل را از طریق FFmpeg میخواند، به مونو تبدیل میکند و پیش از پردازش مدل نرخ را به 16,000 هرتز میرساند (whisper/audio.py در GitHub). گوگل هم توصیه میکند خودتان نرخ را تغییر ندهید. فایل تلفنیِ ضبطشده در 8,000 هرتز را با همان نرخ بفرستید.
نرخ 44.1 یا 48 کیلوهرتزِ MP3 معمولی بیشتر از حد کافی است. پیش از بارگذاری نرخ نمونهبرداری را عوض نکنید.
چکلیست کیفیت صدا
پیش از شروع کار مهم:
- به ابتدا و بخشی از وسط فایل گوش بدهید. آیا زبان درست است و صدای همه شنیده میشود؟
- بلندی صدا را بررسی کنید. فرمان
ffmpeg -i interview.mp3 -af volumedetect -f null -میانگین و بیشینهٔ بلندی را نشان میدهد. بیشینهٔ نزدیک 0 دسیبل ممکن است نشانهٔ برش قلهٔ صدا باشد و بازیابی قلههای اعوجاجیافته دشوار است. - نویزگیری شدید انجام ندهید. طبق راهنمای گوگل، نویزگیری پیش از تشخیص معمولاً دقت را پایین میآورد.
- نامها، سرواژهها و اصطلاحات تخصصی را یادداشت کنید تا در بازبینی کنترل کنید.
- فایل اصلی را نگه دارید تا متن نهایی شود.
روش 1: فایل MP3 را در ابزار آنلاین تبدیل صوت به متن بارگذاری کنید
ابزار آنلاین سریعترین راه تبدیل MP3 طولانی به متن قابل ویرایش است. مدل روی سرورهای ارائهدهنده اجرا میشود و چیزی نصب نمیکنید. مراحل زیر برای whispertranscribe.ai است. whispertranscribe.ai ابزاری تحت وب است که با مدل Whisper شرکت OpenAI صدا و ویدئو را در بیش از 130 زبان به متن تبدیل میکند و فایلهای حداکثر 5 گیگابایتی و 10 ساعته میپذیرد. ابزارهای دیگر مراحل مشابهی دارند، ولی نام منوها فرق میکند.
مرحلهٔ 1: صفحهٔ تبدیل MP3 را باز و زبان را انتخاب کنید
به صفحهٔ تبدیل MP3 به متن بروید و در مرحلهٔ 1 زبان گفتار را انتخاب کنید. بیش از 130 زبان، گونههای منطقهای مانند انگلیسی هند و گزینههای Noise / Low-Quality Audio/Video برای ضبطهای کمکیفیت وجود دارند.
مرحلهٔ 2: فایل MP3 را بارگذاری کنید
در مرحلهٔ 2 فایل را بکشید و رها کنید یا از دستگاه انتخاب کنید. فایلها میتوانند حداکثر 5 گیگابایت باشند و طرحها از ضبطهای تا 10 ساعت پشتیبانی میکنند. WAV، M4A، FLAC، MP4 و MOV هم پذیرفته میشوند.
مرحلهٔ 3: در صورت نیاز تشخیص گوینده را روشن کنید
برای مصاحبهها، جلسات و پادکستها، Enable Speaker Detection را فعال کنید تا هر نوبت صحبت برچسب داشته باشد.
مرحلهٔ 4: تبدیل به متن را شروع کنید
روی Transcribe MP3 to text بزنید. دقت روی صدای واضح تا 99% میرسد. نویز، لهجهٔ پررنگ و صحبت همزمان دقت را کم میکنند. زمانی برای بازبینی بگذارید.
مرحلهٔ 5: از متن خروجی بگیرید
برای سند و تحلیل، DOCX، PDF، TXT یا CSV و برای زیرنویس زماندار، SRT یا VTT بگیرید. اگر از ابتدا زیرنویس میخواهید، مبدل MP3 به SRT مستقیم فایل زیرنویس میدهد.
قبل از انتخاب طرح میتوانید رایگان و بدون حساب امتحان کنید. قیمت طرح پولی با پرداخت سالانه از ماهی $9.99 شروع میشود. قیمتها را ببینید. فایل بزرگ ویدئویی را میتوانید اول با مبدل صدا و ویدئو به MP3 کوچک کنید. پیوند فایل MP3 در Google Drive یا Dropbox را مستقیماً به تبدیل پیوند به متن بدهید.
نکته: ابزار آنلاین صدا را به سرور ارائهدهنده میفرستد. برای ضبط محرمانه، اول سیاست حریم خصوصی را بخوانید یا از روش 3 یا 4 استفاده کنید.
روش 2: از قابلیت Transcribe در Microsoft Word استفاده کنید
اگر Microsoft 365 دارید، Word میتواند فایل MP3 را مستقیماً به متن تبدیل کند. طبق پشتیبانی مایکروسافت، که در نوامبر 2026 بررسی شد، Transcribe فایلهای .mp3، .wav، .m4a و .mp4 را میپذیرد و گویندگان را جدا میکند.
- وارد Microsoft 365 شوید و سندی را در Word تحت وب (نسخهٔ جدید Microsoft Edge یا Chrome) یا Word for Microsoft 365 روی ویندوز باز کنید.
- از Home → Dictate (منوی کشویی) به → Transcribe بروید.
- در پنل Transcribe روی Upload audio بزنید و فایل MP3 را انتخاب کنید.
- پنل را هنگام پردازش باز نگه دارید. به گفتهٔ مایکروسافت، این کار میتواند تقریباً بهاندازهٔ زمان خود فایل طول بکشد.
- متن را بازبینی کنید. میتوانید هر بخش را تا سرعت 2 برابر پخش کنید، متن را ویرایش کنید و نام «Speaker 1» را یکجا همهجا عوض کنید.
- Add all to document را بزنید تا متن در صفحه قرار بگیرد، سپس آن را بهصورت DOCX ذخیره کنید.
محدودیتها: کاربران Microsoft 365 میتوانند حداکثر 300 دقیقه صوت در ماه بارگذاری کنند. هر سند یک متن پیادهشده دارد و فایلها در پوشهٔ Transcribed Files در OneDrive ذخیره میشوند. مایکروسافت میگوید نسخهٔ دسکتاپ ویندوز فعلاً مختص حسابهای سازمانی تجاری است. صفحهٔ راهنما خروجی SRT یا VTT را ذکر نمیکند، بنابراین Word بیشتر برای سند مناسب است.
روش 3: فایل MP3 را دستی پیاده کنید
تایپ دستی رایگان است و صدا روی دستگاه میماند، ولی زمان میبرد. برای قطعههای کوتاه، نقلقول کلمهبهکلمه یا قسمتهایی که ابزار خودکار اشتباه کرده مناسب است.
- MP3 را در پخشکنندهای باز کنید که سرعت را کم کند و با میانبر به عقب برگردد. یک سند خالی هم کنار آن باز کنید.
- سرعت را روی حدود 0.75 برابر بگذارید و بخشهای کوتاه کار کنید. یک عبارت پخش کنید، مکث کنید، بنویسید و اگر لازم است برگردید.
- در هر نوبت نام گوینده را بنویسید، مثلاً
مصاحبهگر:وماریا:. راهنمای متن پیادهشدهٔ W3C میگوید متن پادکست میتواند چند پاراگراف ساده با نام گویندگان باشد. - قسمتهای شنیدهنشده را با زمان علامت بزنید، مثل
[شنیده نمیشود 00:14:32]، تا بعداً به آن برگردید. - در پایان یکبار با سرعت عادی گوش کنید و همزمان متن را بخوانید تا همآواهای اشتباه را پیدا کنید.
همچنین میتوانید پیشنویس را ماشینی بگیرید و این روش را فقط برای بخشهای مهم به کار ببرید.
روش 4: Whisper را روی رایانهٔ خودتان اجرا کنید
Whisper مدل متنباز تشخیص گفتار OpenAI است. طبق مقالهٔ پژوهشی OpenAI، با 680,000 ساعت صدای چندزبانه آموزش دیده است. اجرای محلی رایگان است و فایل بارگذاری نمیشود. برای راهاندازی به Python و FFmpeg نیاز دارید و در دستگاه کند پردازش زمانبر است.
طبق مخزن رسمی نصب کنید:
pip install -U openai-whisper
FFmpeg هم باید نصب باشد و در PATH قرار بگیرد. سپس فایل را به متن تبدیل کنید:
whisper interview.mp3 --model turbo --language English --output_format srt
برای متن ساده --output_format txt را بگذارید یا گزینه را حذف کنید تا TXT، VTT، SRT، TSV و JSON یکجا نوشته شوند. روی CPU، --fp16 False را اضافه کنید تا هشدار مربوط نمایش داده نشود. مقالهٔ اصلی انگلیسی گزارش میکند که برای بررسی نحو، این فرمانها را با openai-whisper 20250625 و مدل tiny روی یک قطعهٔ کوتاهِ در مالکیت عمومی آزمایش کرده است.
| مدل | پارامترها | حافظهٔ تقریبی گرافیکی (طبق OpenAI) | سرعت در مقایسه با large (طبق OpenAI) |
|---|---|---|---|
| tiny | 39 M | حدود 1 گیگابایت | حدود 10 برابر |
| small | 244 M | حدود 2 گیگابایت | حدود 4 برابر |
| medium | 769 M | حدود 5 گیگابایت | حدود 2 برابر |
| turbo (پیشفرض) | 809 M | حدود 6 گیگابایت | حدود 8 برابر |
| large | 1550 M | حدود 10 گیگابایت | 1 برابر |
OpenAI از turbo بهعنوان نسخهٔ بهینهٔ large-v3 با افت جزئی دقت یاد میکند. این مدل برای ترجمه آموزش ندیده است.
محدودیتها: ابزار رسمی برچسب گوینده، ویرایشگر یا خروجی DOCX یا PDF ندارد. OpenAI یادآور میشود که عملکرد در زبانهای مختلف بسیار متفاوت است. بعضی پروژههای جامعه امکانات بیشتری اضافه میکنند و راهاندازی جداگانه دارند.
چگونه MP3 طولانی، چند گوینده و زبانهای دیگر را مدیریت کنیم؟
ضبطهای طولانی
پیش از بارگذاری سقف ابزار را بررسی کنید. طرحهای whispertranscribe.ai فایلهای تا 10 ساعت و 5 گیگابایت را پشتیبانی میکنند. سهمیهٔ کل ماهانهٔ Word پنج ساعت است. برای ابزار با سقف کمتر، FFmpeg میتواند MP3 را بدون رمزگذاری مجدد به تکههای یکساعته تقسیم کند:
ffmpeg -i lecture.mp3 -f segment -segment_time 3600 -c copy lecture_part_%03d.mp3
ممکن است برش در میانهٔ جمله بیفتد. هنگام پیوند دادن متن، محل اتصال را بررسی کنید. برای کلاسها و سخنرانیها، تبدیل سخنرانی به متن را ببینید.
چند گوینده
تشخیص گوینده را روشن کنید و پیش از اشتراکگذاری، برچسبهای عمومی را نامگذاری کنید. وقتی افراد حرف هم را قطع میکنند یا صداهایشان شبیه است، برچسبها بیشتر جابهجا میشوند. چند نوبت صحبت هر نفر را بررسی کنید. جلسهٔ بعد به هر نفر میکروفون جدا بدهید.
زبانها و لهجههای دیگر
زبان را خودتان انتخاب کنید، بهخصوص اگر اول فایل موسیقی پخش میشود. whispertranscribe.ai گزینهٔ Multilingual Mix را برای فایلهایی دارد که در آنها میان انگلیسی، اسپانیایی، فرانسوی، آلمانی، هندی، روسی، پرتغالی، ژاپنی، ایتالیایی و هلندی جابهجایی هست. اگر از MP3 غیرانگلیسی متن انگلیسی لازم دارید، با ترجمهٔ صدا به انگلیسی هر دو کار را یکجا انجام دهید.
بازبینی متن MP3 در 3 نوبت
پیشنویس هوش مصنوعی بیشتر در بخشهای قابل پیشبینی اشتباه میکند. بهندرت نیاز است کل فایل را دوباره گوش کنید.
نوبت 1: جستوجوی متن. با فهرست نامها و اصطلاحات، از جستوجو و جایگزینی استفاده کنید تا املاهای اشتباه را یکجا درست کنید.
نوبت 2: گوش دادن به بخشهای حساس. به این بخشها بروید و با صدا تطبیق دهید:
| بخش حساس | خطای معمول | روش بررسی |
|---|---|---|
| اعداد و تاریخها | «پانزده» و «پنجاه» یا افتادن اعشار | هر عددی که میخواهید نقل کنید دوباره گوش دهید |
| نامها و برندها | نوشتن بر اساس تلفظ | با فهرست اصطلاحات تطبیق دهید |
| گفتار همزمان | ادغام دو جمله یا افتادن یکی | با سرعت عادی و سپس آهسته گوش کنید |
| تغییر گوینده | نسبت دادن خط به فرد اشتباه | نخستین خط بعد از هر تغییر را بررسی کنید |
| صداهای آهسته یا دور | افتادن کلمهها | برای همان قسمت صدا را بلندتر کنید |
| دقیقههای اول و آخر | گفتوگوی مقدماتی، موسیقی یا تشخیص زبان اشتباه | بر حسب نیاز حذف یا اصلاح کنید |
نوبت 3: یکبار مثل یک سند بخوانید. متن را بدون صدا بخوانید. هرجا معنی روشن نیست دوباره گوش کنید. اگر هنوز واضح نیست، با [نامفهوم] علامت بزنید.
به کدام قالب خروجی نیاز دارید؟
متناسب با استفادهٔ بعدی انتخاب کنید. برای سند DOCX یا TXT و برای متن روی ویدئو SRT یا VTT بگیرید.
| قالب | کاربرد |
|---|---|
| DOCX | ویرایش، گزارش، مقاله و یادداشت پادکست |
| نسخهٔ ثابت برای اشتراکگذاری یا بایگانی | |
| TXT | چسباندن متن در برنامهٔ دیگر یا خلاصهسازی با هوش مصنوعی |
| CSV | صفحهگسترده و تحلیل پژوهشی |
| SRT | زیرنویس یوتیوب، ویرایشگر و پخشکنندهٔ ویدئو |
| VTT | زیرنویس پخشکنندهٔ ویدئوی HTML5 در وب |
برای یادداشتهای صوتی گوشی، صفحهٔ تبدیل یادداشت صوتی به متن همین گزینههای خروجی را دارد.
پرسشهای رایج
آیا میتوانم MP3 را رایگان به متن تبدیل کنم؟
بله. تایپ دستی همیشه رایگان است و اجرای Whisper متنباز شرکت OpenAI روی رایانهٔ خودتان فقط سختافزار و زمان راهاندازی میخواهد. بسیاری از ابزارهای آنلاین شروع رایگان دارند. whispertranscribe.ai گزینهٔ رایگانِ بدون حساب دارد که برای ارزیابی نتیجهٔ یک فایل مناسب است. گزینههای رایگان معمولاً مدت یا امکانات را محدود میکنند. برای کار منظم طرحها را مقایسه کنید. قیمت whispertranscribe.ai با پرداخت سالانه از ماهی $9.99 شروع میشود.
تبدیل فایل MP3 به متن چقدر زمان میبرد؟
با ابزار هوش مصنوعی معمولاً بسیار کمتر از زمان فایل طول میکشد، هرچند به فایل و سرویس بستگی دارد. مایکروسافت میگوید Transcribe در Word ممکن است تقریباً بهاندازهٔ طول فایل زمان ببرد. اجرای محلی Whisper به سختافزار و مدل بستگی دارد. مدل کوچکتر سریعتر اجرا میشود و معمولاً بیشتر خطا میکند. تایپ دستی چند برابر طول صدا زمان میبرد، برای همین بیشتر افراد فقط قطعههای کوتاه را دستی پیاده میکنند.
آیا تبدیل MP3 به WAV دقت متن را بهتر میکند؟
خیر. ذخیرهٔ MP3 بهصورت WAV یا کدگذاری مجدد با نرخ بیت بیشتر فقط فایل را بزرگ میکند و جزئیاتی را که با ساخت MP3 حذف شدهاند برنمیگرداند. MP3 قالبی همراه با اتلاف داده است. اگر فایل اصلی WAV یا FLAC هنوز هست، همان را به متن تبدیل کنید. در غیر این صورت MP3 را به همان شکل بارگذاری کنید. ابزارهایی مانند Whisper درون خود صدا را به 16 کیلوهرتز مونو تبدیل میکنند و تغییر نرخ نمونهبرداری بهصورت دستی سودی ندارد.
چگونه MP3 چندگوینده را به متن تبدیل کنم؟
ابزاری با تشخیص گوینده انتخاب کنید و پیش از پردازش روشنش کنید. متن برای هر نوبت گفتار برچسب شمارهدار مانند Speaker 1 میگذارد و بعد میتوانید آنها را با نام واقعی عوض کنید. قابلیت Transcribe در Microsoft Word و whispertranscribe.ai هر دو برچسب گوینده میگذارند. ابزار خط فرمان رسمی Whisper این قابلیت را ندارد. برچسب قسمتهایی که افراد حرف هم را قطع میکنند بررسی کنید، چون آنجا بیشتر جابهجا میشوند.
آیا میتوانم MP3 را به سند Word تبدیل کنم؟
بله. سریعترین راه این است که MP3 را با ابزار آنلاین به متن تبدیل کنید و DOCX بگیرید که مستقیماً در Word یا Google Docs باز میشود. اگر Microsoft 365 دارید، میتوانید از مسیر Home، Dictate، Transcribe و Upload audio فایل را در Word بارگذاری کنید و Add all to document را بزنید. اشتراک Microsoft 365 امکان بارگذاری حداکثر 300 دقیقه صوت در ماه را میدهد.
آیا میتوانم از MP3 مستقیماً زیرنویس بگیرم؟
بله. خروجی را بهجای DOCX یا TXT، در قالب SRT یا VTT بگیرید. هر دو قالب زمان هر خط را نگه میدارند تا پخشکننده یا ویرایشگر ویدئو متن را در لحظهٔ مناسب نشان دهد. در whispertranscribe.ai میتوانید بعد از تبدیل به متن، SRT یا VTT بگیرید یا از مبدل MP3 به SRT استفاده کنید. ابزار خط فرمان Whisper هم با گزینهٔ قالب خروجی میتواند SRT یا VTT بنویسد.
آمادهاید امتحان کنید؟ فایل را در مبدل MP3 به متن whispertranscribe.ai بارگذاری کنید یا برای قالبهای دیگر از مبدل رایگان صوت به متن استفاده کنید. هر دو بیش از 130 زبان، برچسب گوینده و خروجی DOCX، PDF، TXT، CSV، SRT و VTT دارند.
منابع
- کتابخانهٔ کنگره: MP3 (کدگذاری صوتی MPEG Layer III)
- Google Cloud: بهترین شیوهها برای ارائهٔ داده به رابط Speech-to-Text
- پشتیبانی مایکروسافت: تبدیل ضبطهای شما به متن
- OpenAI: Whisper در GitHub (README و
whisper/audio.py) - ردفورد و همکاران، OpenAI: تشخیص مقاوم گفتار با نظارت ضعیف در مقیاس بزرگ
- ابتکار دسترسپذیری وب W3C: متن پیادهشده
