Näin litteroit MP3-tiedoston tekstiksi: neljän menetelmän vertailu

whispertranscribe.ai:n toimitus · Päivitetty viimeksi marraskuussa 2026 · Lukuaika 12 min

Litteroi MP3 tekstiksi pudottamalla tiedosto tekoälypohjaiseen litterointityökaluun, valitsemalla puhuttu kieli ja viemällä tulos DOCX-, TXT- tai SRT-muodossa. Voit myös käyttää Microsoft Wordin Transcribe-toimintoa, kirjoittaa tekstin itse tai suorittaa OpenAI:n maksuttoman Whisper-mallin omalla tietokoneellasi. Menetelmästä riippumatta MP3:n laatu asettaa tulokselle ylärajan.

Alla ovat kaikki neljä menetelmää vaiheittain, tiedoston bittinopeuden ja näytteenottotaajuuden tulkinta, äänenlaadun tarkistuslista, vinkit pitkiin tiedostoihin ja useisiin puhujiin sekä kolmivaiheinen oikoluku.

Lyhyesti: MP3:n litterointi tekstiksi

Useimmille verkkotyökalu on nopein: se hyväksyy MP3:n sellaisenaan, merkitsee puhujat ja palauttaa muokattavan tiedoston. Käytä Wordia, jos maksat jo Microsoft 365:stä, kirjoita lyhyet otteet käsin ja suorita Whisper paikallisesti, kun ääni ei saa poistua koneelta.

  1. Tarkista tiedosto. Kuuntele 30 sekuntia ja varmista, että äänet kuuluvat selvästi.
  2. Lataa ja määritä asetukset. Valitse puhuttu kieli ja ota puhujantunnistus käyttöön, jos puhujia on useita.
  3. Oikolue ja vie. Korjaa nimet ja luvut ja lataa DOCX tai TXT asiakirjoihin, SRT tai VTT tekstityksiin.

Mikä menetelmä kannattaa valita?

Valitse kolmella perusteella: äänen määrä, puhujatunnisteiden tarve ja se, minne ääni saa mennä. Microsoftin tiedot tarkistettiin marraskuussa 2026.

Menetelmä Hinta Puhujatunnisteet Minne ääni menee Sopii parhaiten
1. Verkkopohjainen litterointityökalu Monessa maksuton aloitus, maksulliset paketit suuremmille määrille Useimmissa kyllä Palveluntarjoajan palvelimille Haastattelut, podcastit, luennot ja säännöllinen työ
2. Microsoft Word Transcribe Sisältyy Microsoft 365:een, enintään 300 ladattua minuuttia kuukaudessa Kyllä (Speaker 1, Speaker 2) Microsoftin palvelimille, tiedosto OneDriveen Satunnaiset tiedostot, kun käytät jo Wordia
3. Käsin litterointi Maksutonta, mutta vie tunteja Lisäät itse Pysyy laitteellasi Lyhyet otteet ja täsmälliset lainaukset
4. Whisper omalla koneella Maksuton ja avoimen lähdekoodin Ei virallisessa työkalussa Pysyy laitteellasi Yksityinen ääni, tekniset käyttäjät ja eräajo

Ennen aloittamista: tarkista MP3 minuutissa

MP3 on häviöllinen formaatti. Library of Congressin formaattikuvaus selittää, että se poistaa ääniä, joita ihmiset todennäköisesti kuulevat huonommin, ja että 128 kbit/s:n MP3 on noin yhdestoistaosa CD-laatuisen äänen koosta. Menetettyjä yksityiskohtia ei voi palauttaa, joten selvitä lähtötilanne.

Avaa Windowsissa Properties → Details ja Macissa Get Info. Jos FFmpeg on asennettu, tämä komento näyttää koodekin, näytteenottotaajuuden, kanavat, bittinopeuden ja keston:

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

Komentoa ei suoritettu tässä tarkistuksessa; se voi näyttää rivejä kuten sample_rate=44100 ja bit_rate=128000. Näin niitä luetaan:

Arvo Mitä se kertoo Merkitys litteroinnille
bit_rate Kuinka paljon tietoa sekunnissa säilyi pakkauksessa Hyvin pieni bittinopeus jättää vähemmän yksityiskohtia, joita ei voi palauttaa
sample_rate Kuinka monta kertaa sekunnissa ääni mitattiin Google suosittelee puheentunnistukseen vähintään 16 000 Hz
channels Mono (1) tai stereo (2) Stereo sopii; Whisper yhdistää kanavat monoksi ladatessaan äänen
duration Tallenteen kesto Kertoo, ylittyykö työkalun pituus- tai minuuttiraja

Vaikuttaako MP3:n bittinopeus litteroinnin tarkkuuteen?

Voi vaikuttaa. Google Cloudin puheentunnistuksen parhaat käytännöt kertovat, että häviölliset koodekit, myös MP3, voivat heikentää tarkkuutta ja että melu ja kaiku haittaavat enemmän häviöllisen koodekin yhteydessä. Julkaistua bittinopeuden kynnysarvoa ei ole, joten pidä sitä yhtenä tekijänä muiden joukossa. Selkeä ääni lähellä mikrofonia on tärkeämpi kuin korkea bittinopeus.

Käytännön sääntö: litteroi paras käytettävissä oleva versio. Jos alkuperäinen WAV tai FLAC on tallella, käytä sitä. 96 kbps:n tiedoston uudelleenkoodaus 320 kbps:ksi tai tallennus WAViksi kasvattaa kokoa palauttamatta tietoa.

Mikä näytteenottotaajuus puheentunnistukseen tarvitaan?

Puheentunnistukseen 16 kHz yleensä riittää. OpenAI:n avoimen lähdekoodin Whisper lataa tiedostot FFmpegillä, muuntaa ne monoksi ja näytteistää uudelleen 16 000 Hz:iin ennen mallia (whisper/audio.py GitHubissa). Googlen opas neuvoo myös välttämään itse tehtyä uudelleennäytteistystä. 8 000 Hz:llä tehty puhelintallenne kannattaa lähettää sellaisenaan, ei nostaa taajuutta.

Tavallisen MP3:n 44,1 kHz tai 48 kHz on enemmän kuin riittävä. Älä muuta näytteenottotaajuutta ennen lataamista.

Äänenlaadun tarkistuslista

Ennen tärkeää litterointia:

  • Kuuntele alku ja keskikohta. Onko kieli oikea ja kuuluvatko kaikki?
  • Tarkista äänenvoimakkuus. ffmpeg -i interview.mp3 -af volumedetect -f null - näyttää keski- ja enimmäisvoimakkuuden. Lähellä 0 dB:tä oleva maksimi voi tarkoittaa leikkautumista, ja säröytyneitä huippuja on vaikea palauttaa.
  • Vältä voimakasta kohinanpoistoa. Googlen mukaan kohinanpoisto ennen tunnistusta tavallisesti heikentää tunnistustarkkuutta.
  • Listaa nimet, lyhenteet ja erikoistermit myöhempää tarkistusta varten.
  • Säilytä alkuperäinen tiedosto, kunnes litterointi on valmis.

Tapa 1: lataa MP3 verkkopohjaiseen litterointityökaluun

Verkkotyökalut ovat nopein tapa muuttaa pitkä MP3 muokattavaksi tekstiksi: malli toimii palveluntarjoajan palvelimilla eikä mitään tarvitse asentaa. Alla käytetään whispertranscribe.ai:ta. whispertranscribe.ai on OpenAI:n Whisper-malliin perustuva verkkopohjainen tekoälytyökalu, joka muuttaa äänen ja videon tekstiksi yli 130 kielellä ja hyväksyy enintään 5 GB:n ja 10 tunnin lataukset. Muut työkalut toimivat samoin eri valikoilla.

Vaihe 1: avaa MP3-litterointisivu ja valitse kieli

Avaa MP3 tekstiksi -sivu ja valitse puhuttu kieli kohdassa Step 1. Valittavana on yli 130 kieltä, alueellisia muunnelmia kuten English (India) sekä Noise / Low-Quality Audio/Video -vaihtoehtoja heikoille tallenteille.

Vaihe 2: lataa MP3

Vedä tiedosto kenttään kohdassa Step 2 tai valitse se. Tiedostot voivat olla enintään 5 GB, ja paketit tukevat enintään 10 tunnin tallenteita. Myös WAV, M4A, FLAC, MP4 ja MOV toimivat.

Vaihe 3: ota Speaker Detection tarvittaessa käyttöön

Haastatteluissa, kokouksissa ja podcasteissa ota Enable Speaker Detection käyttöön, jotta puheenvuorot merkitään.

Vaihe 4: aloita litterointi

Valitse Transcribe MP3 to text. Selkeällä äänellä tarkkuus on jopa 99 %. Taustamelu, vahvat aksentit ja päällekkäinen puhe alentavat sitä, joten varaa aikaa tarkistukseen.

Vaihe 5: vie litterointi

Lataa DOCX, PDF, TXT tai CSV asiakirjoihin ja analyysiin tai SRT ja VTT ajoitettuihin tekstityksiin. Jos tarkoituksena on tekstitys alusta alkaen, MP3–SRT-muunnin tuottaa tekstitystiedoston suoraan.

Voit kokeilla maksutta ilman tiliä ennen paketin valintaa. Maksulliset paketit alkavat 9,99 USD/kk vuosilaskutuksella; katso hinnasto. Suurta videota voi ensin pienentää ääni- ja videotiedostojen MP3-muuntimella, ja Google Drivessa tai Dropboxissa olevan MP3:n voi lähettää suoraan URL-litterointiin.

Hyvä tietää: verkkotyökalut lataavat äänesi palveluntarjoajan palvelimille. Lue luottamuksellisten tallenteiden tietosuojakäytäntö ensin tai käytä tapaa 3 tai 4.

Tapa 2: käytä Microsoft Wordin Transcribe-toimintoa

Microsoft 365:n avulla Word voi litteroida MP3:n itse. Microsoft Supportin mukaan (tarkistettu marraskuussa 2026) Transcribe hyväksyy .mp3-, .wav-, .m4a- ja .mp4-tiedostoja ja erottaa puhujat.

  1. Kirjaudu Microsoft 365:een ja avaa asiakirja verkkoversiossa Word for the web (uusi Microsoft Edge tai Chrome) tai Windowsin Word for Microsoft 365:ssä.
  2. Siirry kohtaan Home → Dictate (pudotusvalikko) → Transcribe.
  3. Valitse Transcribe-paneelista Upload audio ja valitse MP3.
  4. Pidä paneeli auki käsittelyn ajan; Microsoftin mukaan se voi kestää suunnilleen tiedoston pituuden.
  5. Tarkista tulos: toista mikä tahansa kohta jopa 2x-nopeudella, muokkaa tekstiä ja nimeä ”Speaker 1” kaikkialla yhdellä kertaa.
  6. Valitse Add all to document lisätäksesi litteroinnin sivulle ja tallenna DOCX-muodossa.

Huomioitavat rajat: Microsoft 365 -käyttäjät saavat enintään 300 minuuttia ladattua ääntä kuukaudessa. Asiakirjassa on yksi litterointi, ja lataukset tallennetaan OneDriven Transcribed Files -kansioon. Microsoftin mukaan Windowsin työpöytäversio on tällä hetkellä rajattu kaupallisille organisaatioille. Ohjesivu ei mainitse SRT- tai VTT-vientiä, joten Word sopii paremmin asiakirjoihin kuin tekstityksiin.

Tapa 3: litteroi MP3 käsin

Itse kirjoittaminen on maksutonta ja pitää äänen laitteellasi, mutta on hidasta. Käytä sitä lyhyisiin otteisiin, sanatarkkoihin lainauksiin tai kohtiin, jotka kone tunnisti väärin.

  1. Avaa MP3 soittimessa, joka voi hidastaa toistoa ja kelata taakse pikanäppäimellä; avaa viereen tyhjä asiakirja.
  2. Aseta nopeudeksi noin 0,75x ja työskentele lyhyissä jaksoissa: toista lause, pysäytä, kirjoita ja kelaa tarvittaessa.
  3. Merkitse puhujat jokaisessa vuorossa, esimerkiksi INTERVIEWER: ja MARIA:. W3C:n litterointiohje toteaa, että podcastin litterointi voi olla tavallisia kappaleita puhujat tunnistettuina.
  4. Merkitse epäselvät kohdat aikaleimalla, esimerkiksi [inaudible 00:14:32], jotta voit palata niihin.
  5. Tarkista lopuksi normaalinopeudella tekstiä seuraten, jotta huomaat väärät samalta kuulostavat sanat.

Voit myös antaa työkalun tehdä luonnoksen ja käyttää tätä menetelmää vain tärkeisiin kohtiin.

Tapa 4: suorita Whisper omalla tietokoneella

Whisper on OpenAI:n avoimen lähdekoodin puheentunnistusmalli, joka koulutettiin 680 000 tunnilla monikielistä ääntä OpenAI:n tutkimusjulkaisun mukaan. Paikallinen käyttö on maksutonta eikä mitään ladata verkkoon. Vastapainona on asennus: tarvitset Pythonin, FFmpegin ja kärsivällisyyttä hitaammalla koneella.

Asenna se virallisen repositorion ohjeiden mukaisesti:

pip install -U openai-whisper

Myös FFmpegin täytyy olla asennettuna ja PATH-polussa. Litteroi sitten:

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

Käytä --output_format txt pelkälle tekstille tai jätä valitsin pois, jolloin TXT, VTT, SRT, TSV ja JSON luodaan kerralla. Lisää suorittimella --fp16 False varoituksen välttämiseksi. Nämä komennot ovat esimerkkejä eikä niitä suoritettu tässä tarkistuksessa; tiny on valittavissa oleva malli.

Malli Parametrit Arvioitu VRAM (OpenAI) Nopeus suhteessa largeen (OpenAI)
tiny 39 M noin 1 GB noin 10x
small 244 M noin 2 GB noin 4x
medium 769 M noin 5 GB noin 2x
turbo (oletus) 809 M noin 6 GB noin 8x
large 1550 M noin 10 GB 1x

OpenAI kuvaa turbo-mallia optimoiduksi large-v3-versioksi, jonka tarkkuushäviö on vähäinen, mutta sitä ei ole koulutettu kääntämiseen.

Mistä luovut: virallisessa työkalussa ei ole puhujatunnisteita, editoria eikä DOCX- tai PDF-vientiä, ja OpenAI huomauttaa suorituskyvyn vaihtelevan huomattavasti kielittäin. Yhteisöprojektit täyttävät joitakin puutteita, mutta kukin vaatii oman asennuksensa.

Pitkät MP3:t, useat puhujat ja muut kielet

Pitkät tallenteet

Tarkista raja ennen lataamista. whispertranscribe.ai:n paketit tukevat enintään 10 tunnin ja 5 GB:n tiedostoja; Wordin kuukausikiintiö on yhteensä viisi tuntia. Lyhyemmän rajan työkalua varten FFmpeg voi jakaa MP3:n tunnin osiin ilman uudelleenkoodausta:

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

Katkaisu voi osua kesken lauseen, joten tarkista liitoskohdat tekstejä yhdistäessä. Kursseista ja esitelmistä katso luentojen litterointi.

Useat puhujat

Ota puhujantunnistus käyttöön ja nimeä yleiset tunnisteet ennen jakamista. Tunnisteet sekoittuvat etenkin keskeytyksissä tai samanlaisilla äänillä, joten tarkista muutama vuoro kustakin puhujasta. Anna seuraavassa tilaisuudessa jokaiselle oma mikrofoni.

Muut kielet ja aksentit

Valitse kieli automaattisen tunnistuksen sijaan etenkin, jos tiedosto alkaa musiikilla. whispertranscribe.ai:n Multilingual Mix sopii tallenteisiin, joissa vaihdetaan englannin, espanjan, ranskan, saksan, hindin, venäjän, portugalin, japanin, italian ja hollannin välillä. Jos tarvitset englanninkielisen tekstin muun kielisestä MP3:sta, käytä äänen kääntämistä englanniksi erillisen litteroinnin ja käännöksen sijaan.

MP3-litteroinnin oikoluku: kolme kierrosta

Tekoälyluonnoksissa virheet keskittyvät ennakoitaviin kohtiin, joten koko tiedostoa tarvitsee harvoin kuunnella uudelleen.

Kierros 1: etsi, älä kuuntele. Käytä nimien ja termien listaa sekä etsi ja korvaa -toimintoa kirjoitusvirheiden korjaamiseen.

Kierros 2: kuuntele ongelmakohdat. Siirry näihin kohtiin ja tarkista ääntä vasten:

Ongelmakohdat Tyypillinen virhe Tarkistus
Numerot ja päivämäärät ”viisitoista” tai ”viisikymmentä”, puuttuvat desimaalit Toista jokainen lainattava luku
Nimet ja tuotemerkit Kirjoitettu ääntämisen mukaan Vertaa termilistaan
Päällekkäinen puhe Kaksi lausetta yhdistetty tai toinen puuttuu Kuuntele normaalisti ja sitten hitaammin
Puhujanvaihdot Rivi väärän henkilön nimissä Tarkista ensimmäinen rivi jokaisen vaihdon jälkeen
Hiljaiset tai kaukaiset äänet Puuttuvat sanat Nosta äänenvoimakkuutta kyseisessä kohdassa
Ensimmäiset ja viimeiset minuutit Alkujutustelu, musiikki, väärä kieliarvaus Poista tai korjaa tarpeen mukaan

Kierros 3: lue asiakirjana. Lue kerran ilman ääntä; kuuntele uudelleen kaikki, mikä ei käy järkeen. Merkitse edelleen epäselvät kohdat [unclear] arvaamisen sijaan.

Minkä vientimuodon tarvitset?

Valitse jatkokäytön mukaan: asiakirjoihin DOCX tai TXT, videon päälle SRT tai VTT.

Formaatti Käyttö
DOCX Muokkaus, raportit, artikkelit ja jakson muistiinpanot
PDF Kiinteä kopio jakamiseen tai arkistointiin
TXT Liittäminen muihin sovelluksiin tai tekoälyyhteenvetoihin
CSV Taulukot ja tutkimusanalyysi
SRT Tekstitykset YouTubeen, videoeditoreihin ja soittimiin
VTT Tekstitykset HTML5-verkkovideosoittimiin

Puhelimen äänimuistioille äänimuistion litterointisivu tarjoaa samat vientivaihtoehdot.

Usein kysytyt kysymykset

Voinko litteroida MP3:n tekstiksi maksutta?

Kyllä. Itse kirjoittaminen on maksutonta, ja OpenAI:n avoimen Whisperin käyttö omalla koneella maksaa vain asennusajan ja laitteiston verran. Monissa verkkotyökaluissa on myös maksuton aloitus. whispertranscribe.ai tarjoaa tilittömän maksuttoman vaihtoehdon, jolla voi tarkistaa oman äänen tuloksen. Maksuttomat vaihtoehdot rajoittavat yleensä pituutta tai ominaisuuksia, joten vertaa säännölliseen työhön maksullisia paketteja; whispertranscribe.ai alkaa 9,99 USD/kk vuosilaskutuksella.

Kuinka kauan MP3:n litterointi kestää?

Tekoälytyökalulla yleensä paljon vähemmän kuin äänen kesto, mutta se riippuu tiedostosta ja palvelusta. Microsoftin mukaan Wordin Transcribe voi kestää suunnilleen tiedoston pituuden. Paikallisen Whisperin aika riippuu laitteistosta ja mallista; pienemmät mallit ovat nopeampia mutta tekevät enemmän virheitä. Käsin kirjoittaminen vie moninkertaisesti äänen keston, joten useimmat litteroivat käsin vain lyhyitä otteita.

Parantaako MP3:n muuntaminen WAViksi tarkkuutta?

Ei. MP3:n tallentaminen WAVina tai uudelleenkoodaus korkeammalla bittinopeudella kasvattaa tiedostoa mutta ei palauta MP3:n luonnissa poistettuja yksityiskohtia. MP3 on häviöllinen. Jos alkuperäinen WAV tai FLAC on tallella, litteroi se. Muuten lataa MP3 sellaisenaan. Whisperin kaltaiset moottorit näytteistävät äänen sisäisesti 16 kHz:n monoksi, joten taajuuden muuttaminen itse ei myöskään auta.

Miten litteroin MP3:n, jossa on useita puhujia?

Käytä puhujantunnistusta tukevaa työkalua ja ota toiminto käyttöön ennen aloittamista. Teksti antaa puheenvuoroille numeroidut tunnisteet kuten Speaker 1, jotka voit myöhemmin nimetä. Microsoft Wordin Transcribe ja whispertranscribe.ai merkitsevät puhujat; virallinen Whisper-komentorivityökalu ei. Tarkista tunnisteet keskeytysten kohdalla, sillä puhujat sekoittuvat niissä useimmin.

Voinko muuntaa MP3:n Word-asiakirjaksi?

Kyllä. Nopeinta on litteroida MP3 verkkotyökalulla ja viedä DOCX, joka avautuu Wordissa tai Google Docsissa. Microsoft 365:ssä voit myös ladata MP3:n Wordiin valinnoilla Home, Dictate, Transcribe ja Upload audio ja valita sitten Add all to document. Microsoft 365 -tilaus sisältää enintään 300 minuuttia ladattua ääntä kuukaudessa.

Voinko tehdä MP3:sta tekstitykset litteroinnin sijaan?

Kyllä. Vie litterointi SRT- tai VTT-muodossa DOCX:n tai TXT:n sijaan. Molemmat säilyttävät kunkin rivin ajoituksen, jotta videosoitin tai editori näyttää tekstin oikeaan aikaan. whispertranscribe.ai:ssa voit viedä SRT:n tai VTT:n litteroinnin jälkeen tai käyttää MP3–SRT-muunninta. Myös Whisperin komentorivityökalu voi kirjoittaa SRT- ja VTT-tiedostoja output format -valitsimella.


Valmis kokeilemaan? Lataa tiedosto whispertranscribe.ai:n MP3 tekstiksi -muuntimeen tai käytä maksutonta ääni tekstiksi -muunninta muille formaateille. Molemmat toimivat yli 130 kielellä, puhujatunnisteilla ja DOCX-, PDF-, TXT-, CSV-, SRT- ja VTT-viennillä.

Lähteet

Haluatko muuntaa tallenteesi tekstiksi?

Litteroi ääntä ja videota palvelussa whispertranscribe.ai.

Aloita litterointi ↗