Kako transkribirati MP3 u tekst: usporedba 4 metode

Uredništvo whispertranscribe.ai · Zadnje ažuriranje: studeni 2026. · 12 minuta čitanja

Za transkripciju MP3-a u tekst prenesite datoteku u AI alat, odaberite govorni jezik i izvezite rezultat kao DOCX, TXT ili SRT. Možete koristiti i Microsoft Word Transcribe, sami otipkati tekst ili pokrenuti besplatni OpenAI-jev model Whisper na računalu. Koju god metodu odaberete, kvaliteta MP3-a postavlja gornju granicu rezultata.

U nastavku su četiri metode korak po korak, čitanje brzine prijenosa i frekvencije uzorkovanja, kontrolni popis zvuka, savjeti za duge datoteke i više govornika te provjera u 3 prolaza.

Kratak odgovor: kako transkribirati MP3 u tekst

Za većinu ljudi internetski alat najbrži je: prihvaća MP3 kakav jest, označava govornike i vraća datoteku za uređivanje. Koristite Word ako već plaćate Microsoft 365, kratke isječke otipkajte ručno, a Whisper pokrenite lokalno kada audio ne smije napustiti računalo.

  1. Provjerite datoteku. Poslušajte 30 sekundi kako biste potvrdili jasnoću glasova.
  2. Prenesite i postavite opcije. Odaberite govorni jezik i uključite prepoznavanje govornika ako ih je više.
  3. Provjerite i izvezite. Ispravite imena i brojeve pa preuzmite DOCX ili TXT za dokumente, SRT ili VTT za titlove.

Koju metodu koristiti?

Birajte prema količini zvuka, potrebi za oznakama govornika i tome kamo audio smije otići. Podaci o Microsoftu provjereni su u studenome 2026.

Metoda Cijena Oznake govornika Kamo ide audio Najbolje za
1. Internetski alat za transkripciju Mnogi nude besplatan početak; plaćeni planovi za veći obujam Da, kod većine Na poslužitelje pružatelja Intervjui, podcasti, predavanja, redovan rad
2. Microsoft Word Transcribe Uključen u Microsoft 365, do 300 prenesenih minuta mjesečno Da (Speaker 1, Speaker 2) Na Microsoftove poslužitelje, datoteka ostaje u OneDriveu Povremene datoteke ako već koristite Word
3. Ručna transkripcija Besplatna, ali traje satima Sami ih dodajete Ostaje na uređaju Kratki isječci, potpuno točni citati
4. Whisper na računalu Besplatan, otvorenog koda Ne u službenom alatu Ostaje na uređaju Povjerljiv audio, tehnički korisnici, skupna obrada

Prije početka: provjerite MP3 za 60 sekundi

MP3 je format s gubitkom. Opis formata Kongresne knjižnice objašnjava da odbacuje zvukove koje ljudi teže čuju i da MP3 od 128 kbit/s zauzima oko jedanaestine zvuka CD kvalitete. Izgubljeni detalji ne mogu se vratiti, stoga provjerite s čime radite.

U Windowsu otvorite Properties → Details, a na Macu Get Info. S instaliranim FFmpegom ova naredba prikazuje kodek, frekvenciju uzorkovanja, kanale, brzinu prijenosa i trajanje:

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

Naredba je primjer za FFmpeg 7.1 i nije pokrenuta pri ovom pregledu. Izlaz može sadržavati retke poput sample_rate=44100 i bit_rate=128000. Kako ih čitati:

Vrijednost Što pokazuje Što znači za transkripciju
bit_rate Koliko je podataka po sekundi preživjelo kompresiju Vrlo niske brzine ostavljaju manje detalja koji se ne mogu vratiti
sample_rate Koliko je puta u sekundi zvuk uzorkovan Google preporučuje 16,000 Hz ili više za prepoznavanje govora
channels Mono (1) ili stereo (2) Stereo je u redu; Whisper ga miješa u mono pri učitavanju
duration Duljina snimke Pokazuje hoćete li doseći vremensko ili minutno ograničenje alata

Utječe li brzina prijenosa MP3-a na točnost?

Može. Google Cloudove najbolje prakse za prepoznavanje govora kažu da kodeci s gubitkom, uključujući MP3, mogu smanjiti točnost te da buka i jeka više štete u kombinaciji s njima. Nema objavljenog praga pa brzinu smatrajte jednim od više čimbenika. Jasan glas blizu mikrofona važniji je od visoke brzine.

Praktično pravilo: transkribirajte najbolju dostupnu verziju. Ako postoji izvorni WAV ili FLAC, upotrijebite njega. Ponovno kodiranje datoteke od 96 kbps na 320 kbps ili spremanje kao WAV povećava je bez vraćanja detalja.

Koja frekvencija uzorkovanja treba za prepoznavanje govora?

Za prepoznavanje govora 16 kHz obično je dovoljno. OpenAI-jev Whisper kod otvorenog koda učitava svaku datoteku putem FFmpega, pretvara u mono i ponovno uzorkuje na 16,000 Hz prije obrade modelom (whisper/audio.py na GitHubu). Googleov vodič također savjetuje da sami ne mijenjate uzorkovanje. Telefonsku snimku od 8,000 Hz treba poslati kakva jest, bez povećanja frekvencije.

Uobičajenih 44.1 kHz ili 48 kHz za MP3 više je nego dovoljno. Ne mijenjajte frekvenciju prije prijenosa.

Kontrolni popis kvalitete zvuka

Prije važnog zadatka:

  • Poslušajte početak i dio sredine. Je li jezik ispravan i čuju li se svi?
  • Provjerite glasnoću. ffmpeg -i interview.mp3 -af volumedetect -f null - prikazuje srednju i maksimalnu glasnoću. Maksimum blizu 0 dB može značiti odsijecanje, a izobličene vrhove teško je obnoviti.
  • Izbjegavajte snažno uklanjanje šuma. Googleov vodič kaže da obrada za smanjenje šuma prije prepoznavanja obično smanjuje točnost.
  • Zapišite imena, kratice i stručne izraze za kasniju provjeru.
  • Sačuvajte izvornik dok transkript ne bude konačan.

Metoda 1: prenesite MP3 u internetski alat za transkripciju

Internetski alati najbrže pretvaraju dugi MP3 u tekst za uređivanje: model radi na poslužiteljima pružatelja i ništa se ne instalira. Koraci koriste whispertranscribe.ai. whispertranscribe.ai je web AI alat koji pretvara audio i video u tekst na više od 130 jezika, prihvaća do 5 GB i 10 sati te koristi OpenAI-jev model Whisper. Drugi alati rade slično, uz različite izbornike.

Korak 1: otvorite stranicu za MP3 transkripciju i odaberite jezik

Idite na stranicu transkripcije MP3-a u tekst i pod Step 1 odaberite govorni jezik. Ima više od 130 jezika, regionalne inačice poput English (India) i Noise / Low-Quality Audio/Video opcije za loše snimke.

Korak 2: prenesite MP3

Pod Step 2 povucite datoteku ili je odaberite. Datoteke mogu imati do 5 GB, a planovi podržavaju snimke do 10 sati. Podržani su i WAV, M4A, FLAC, MP4 i MOV.

Korak 3: po potrebi uključite Speaker Detection

Za intervjue, sastanke i podcaste uključite Enable Speaker Detection kako bi svako izlaganje bilo označeno.

Korak 4: pokrenite transkripciju

Kliknite Transcribe MP3 to text. Točnost doseže do 99% uz čist zvuk. Pozadinska buka, jaki naglasci i preklapanje govora je smanjuju, pa planirajte provjeru.

Korak 5: izvezite transkript

Preuzmite DOCX, PDF, TXT ili CSV za dokumente i analizu ili SRT i VTT za vremenski usklađene titlove. Ako su cilj titlovi, pretvarač MP3 u SRT izravno stvara datoteku titlova.

Možete isprobati besplatno bez računa prije odabira plana. Plaćeni planovi počinju od $9.99 mjesečno uz godišnju naplatu; pogledajte cijene. Veliki video može se prvo smanjiti pretvaračem audija i videa u MP3, a MP3 u Google Driveu ili Dropboxu može izravno u transkripciju iz URL-a.

Dobro je znati: internetski alati prenose audio na poslužitelje pružatelja. Za povjerljive snimke prvo pročitajte politiku privatnosti ili koristite metodu 3 ili 4.

Metoda 2: koristite Microsoft Word Transcribe

Uz Microsoft 365 Word može sam transkribirati MP3. Prema Microsoftovoj podršci (provjereno u studenome 2026.), Transcribe prihvaća .mp3, .wav, .m4a i .mp4 te razdvaja govornike.

  1. Prijavite se u Microsoft 365 i otvorite dokument u Wordu za web (novi Microsoft Edge ili Chrome) ili Wordu za Microsoft 365 na Windowsu.
  2. Idite na Home → Dictate (padajući izbornik) → Transcribe.
  3. U ploči Transcribe odaberite Upload audio i MP3.
  4. Držite ploču otvorenom tijekom obrade; Microsoft kaže da može trajati približno koliko i datoteka.
  5. Pregledajte: reproducirajte dijelove do 2x, uredite tekst i preimenujte „Speaker 1” svugdje odjednom.
  6. Odaberite Add all to document za umetanje transkripta i spremite kao DOCX.

Ograničenja: korisnici Microsofta 365 dobivaju do 300 minuta prenesenog audija mjesečno. Svaki dokument sadrži jedan transkript, a prijenosi se spremaju u mapu Transcribed Files u OneDriveu. Microsoft kaže da je verzija za Windows trenutačno ograničena na komercijalne organizacije. Stranica pomoći ne navodi SRT ili VTT izvoz pa je Word prikladniji za dokumente nego za titlove.

Metoda 3: ručno transkribirajte MP3

Samostalno tipkanje je besplatno i zadržava audio na uređaju, ali je sporo. Koristite ga za kratke isječke, potpuno točne citate ili dijelove koje je stroj pogrešno prepoznao.

  1. Otvorite MP3 u reproduktoru koji može usporiti reprodukciju i vratiti snimku prečacem, s praznim dokumentom pokraj njega.
  2. Postavite brzinu na oko 0.75x i radite u kratkim dijelovima: pustite izraz, pauzirajte, upišite i po potrebi vratite.
  3. Označite govornike pri svakoj izmjeni, primjerice INTERVIEWER: i MARIA:. W3C-ove smjernice o transkriptima navode da transkript podcasta može biti niz jednostavnih odlomaka s označenim govornicima.
  4. Označite nečujno vremenskom oznakom poput [inaudible 00:14:32] kako biste se vratili.
  5. Završno preslušajte normalnom brzinom dok čitate, kako biste otkrili pogrešne riječi sličnog zvuka.

Ili prepustite alatu izradu nacrta i ovaj postupak koristite samo gdje je važno.

Metoda 4: pokrenite Whisper na vlastitom računalu

Whisper je OpenAI-jev model otvorenog koda za prepoznavanje govora, treniran na 680,000 sati višejezičnog audija prema istraživačkom radu OpenAI-ja. Lokalno pokretanje je besplatno i ništa se ne prenosi. Kompromis je postavljanje: trebaju Python, FFmpeg i strpljenje na sporijim računalima.

Instalirajte ga prema službenom repozitoriju:

pip install -U openai-whisper

FFmpeg također mora biti instaliran i na PATH putanji. Zatim transkribirajte:

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

Koristite --output_format txt za običan tekst ili izostavite opciju za istodobni zapis TXT, VTT, SRT, TSV i JSON. Na CPU-u dodajte --fp16 False za izbjegavanje upozorenja. Naredbe za openai-whisper 20250625, uključujući model tiny, primjeri su i nisu pokrenute pri ovom pregledu.

Model Parametri Približni VRAM (prema OpenAI-ju) Brzina prema largeu (prema OpenAI-ju)
tiny 39 M oko 1 GB oko 10x
small 244 M oko 2 GB oko 4x
medium 769 M oko 5 GB oko 2x
turbo (zadano) 809 M oko 6 GB oko 8x
large 1550 M oko 10 GB 1x

OpenAI opisuje turbo kao optimizirani large-v3 s minimalnim gubitkom točnosti, ali nije treniran za prijevod.

Što gubite: službeni alat nema oznake govornika, uređivač ni DOCX ili PDF izvoz, a OpenAI napominje da rezultati znatno variraju po jeziku. Projekti zajednice popunjavaju neke praznine, svaki s vlastitim postavljanjem.

Kako obraditi duge MP3 datoteke, više govornika i druge jezike

Duge snimke

Provjerite ograničenje prije prijenosa. Planovi whispertranscribe.ai podržavaju datoteke do 10 sati i 5 GB; mjesečna Wordova kvota ukupno je pet sati. Za alat s kraćim ograničenjem FFmpeg može podijeliti MP3 na jednosatne dijelove bez ponovnog kodiranja:

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

Rez može pasti usred rečenice pa provjerite spojeve pri objedinjavanju teksta. Za nastavu i predavanja pogledajte transkripciju predavanja.

Više govornika

Uključite prepoznavanje govornika i preimenujte generičke oznake prije dijeljenja. Oznake najčešće griješe kada se ljudi prekidaju ili zvuče slično, pa provjerite nekoliko izlaganja svakog govornika. Na sljedećoj sesiji dajte svakoj osobi zaseban mikrofon.

Drugi jezici i naglasci

Odaberite jezik umjesto automatskog otkrivanja, osobito ako datoteka počinje glazbom. whispertranscribe.ai nudi Multilingual Mix za snimke koje prelaze između engleskog, španjolskog, francuskog, njemačkog, hindskog, ruskog, portugalskog, japanskog, talijanskog i nizozemskog. Ako trebate engleski tekst iz MP3-a na drugom jeziku, koristite prijevod zvuka na engleski umjesto zasebne transkripcije i prijevoda.

Kako provjeriti MP3 transkript: postupak u 3 prolaza

AI nacrti griješe na predvidljivim mjestima pa rijetko treba ponovno slušati cijelu datoteku.

Prolaz 1: pretražujte, ne slušajte. Koristite pretragu i zamjenu uz popis imena i izraza kako biste odjednom ispravili pogrešne zapise.

Prolaz 2: poslušajte kritična mjesta. Prijeđite na ove dijelove i usporedite ih sa zvukom:

Kritično mjesto Tipičan problem Kako provjeriti
Brojevi i datumi „petnaest” umjesto „pedeset”, izgubljene decimale Ponovno poslušajte svaku brojku koju ćete citirati
Imena i marke Fonetski zapisana Usporedite s popisom izraza
Preklapanje govora Dvije rečenice spojene ili jedna izostavljena Slušajte normalnom pa sporijom brzinom
Promjene govornika Redak pripisan pogrešnoj osobi Provjerite prvi redak nakon svake promjene
Tihi ili udaljeni glasovi Nedostaju riječi Pojačajte taj dio
Prve i zadnje minute Neformalni razgovor, glazba, pogrešno pogođen jezik Izbrišite ili ispravite prema potrebi

Prolaz 3: pročitajte kao dokument. Pročitajte jednom bez zvuka; sve što nema smisla ponovno poslušajte. Ono što i dalje ne čujete označite kao [unclear], umjesto nagađanja.

Koji format izvoza trebate?

Birajte prema sljedećoj uporabi: dokumentima treba DOCX ili TXT, a tekstu preko videa SRT ili VTT.

Format Koristite za
DOCX Uređivanje, izvješća, članke, bilješke uz epizode
PDF Fiksnu kopiju za dijeljenje ili arhivu
TXT Lijepljenje u druge aplikacije ili AI sažetke
CSV Proračunske tablice i istraživačku analizu
SRT Titlove za YouTube, videouređivače i reproduktore
VTT Titlove za HTML5 web-videoreproduktore

Za glasovne bilješke s telefona, stranica transkripcije glasovnih bilješki pokriva iste opcije izvoza.

Česta pitanja

Mogu li besplatno transkribirati MP3 u tekst?

Da. Ručno tipkanje uvijek je besplatno, a lokalni OpenAI Whisper otvorenog koda ne košta osim vremena postavljanja i hardvera. Mnogi internetski alati nude besplatan početak. whispertranscribe.ai nudi besplatnu opciju bez računa, korisnu za provjeru rezultata. Besplatne opcije obično ograničavaju duljinu ili značajke, pa za redovan rad usporedite plaćene planove; whispertranscribe.ai počinje od $9.99 mjesečno uz godišnju naplatu.

Koliko traje transkripcija MP3 datoteke?

Uz AI alat obično znatno manje od trajanja zvuka, iako ovisi o datoteci i usluzi. Microsoft kaže da Word Transcribe može trajati približno koliko datoteka. Lokalni Whisper ovisi o hardveru i modelu; manji modeli brži su, ali više griješe. Ručno tipkanje traje nekoliko puta dulje od zvuka, pa većina ručno transkribira samo kratke isječke.

Poboljšava li pretvorba MP3-a u WAV točnost?

Ne. Spremanje MP3-a kao WAV ili ponovno kodiranje većom brzinom povećava datoteku, ali ne vraća detalje uklonjene stvaranjem MP3-a. MP3 je format s gubitkom. Ako postoji izvorni WAV ili FLAC, transkribirajte njega. Inače prenesite MP3 kakav jest. Sustavi poput Whispera interno uzorkuju audio na 16 kHz mono, pa samostalna promjena frekvencije ne pomaže.

Kako transkribirati MP3 s više govornika?

Koristite alat s prepoznavanjem govornika i uključite ga prije početka. Transkript svakom izlaganju daje brojčanu oznaku poput Speaker 1, a zatim ih preimenujete pravim imenima. Microsoft Word Transcribe i whispertranscribe.ai označavaju govornike; službeni Whisper alat naredbenog retka ne. Provjerite oznake gdje se ljudi prekidaju, jer se tada najčešće miješaju.

Mogu li pretvoriti MP3 u Word dokument?

Da. Najbrže je transkribirati MP3 internetskim alatom i izvesti DOCX, koji se izravno otvara u Wordu ili Google Docsu. S Microsoftom 365 možete prenijeti MP3 u Word preko Home, Dictate, Transcribe, Upload audio i odabrati Add all to document. Pretplata na Microsoft 365 uključuje do 300 minuta prenesenog audija mjesečno.

Mogu li pretvoriti MP3 u titlove umjesto transkripta?

Da. Izvezite transkript kao SRT ili VTT umjesto DOCX-a ili TXT-a. Oba formata čuvaju vrijeme svakog retka kako bi reproduktor ili uređivač prikazao tekst u pravom trenutku. U whispertranscribe.ai možete izvesti SRT ili VTT nakon transkripcije ili koristiti pretvarač MP3 u SRT. Whisper alat naredbenog retka također može zapisati SRT i VTT pomoću opcije izlaznog formata.


Spremni za isprobavanje? Prenesite datoteku u whispertranscribe.ai putem pretvarača MP3-a u tekst ili koristite besplatni pretvarač audija u tekst za druge formate. Oba rade na više od 130 jezika, s oznakama govornika i izvozom DOCX, PDF, TXT, CSV, SRT i VTT.

Izvori

Želite li pretvoriti svoje snimke u tekst?

Transkribirajte audio i videosnimke uz whispertranscribe.ai.

Započnite transkripciju ↗