A whispertranscribe.ai szerkesztőségétől · Utolsó frissítés: 2026. november · 12 perc olvasási idő
MP3 szöveggé írásához húzza a fájlt egy AI-átíróba, válassza ki a beszélt nyelvet, és exportálja az eredményt DOCX, TXT vagy SRT formátumba. Használhatja a Microsoft Word Transcribe funkcióját, kézzel is leírhatja, vagy saját számítógépén futtathatja az OpenAI ingyenes Whisper-modelljét. Bármit választ, az MP3 minősége szabja meg a felső határt.
Alább mind a négy módszer lépésről lépésre, a fájl bit- és mintavételi sebességének értelmezése, hangminőségi ellenőrzőlista, tippek hosszú fájlokhoz és több beszélőhöz, valamint háromkörös ellenőrzés következik.
Röviden: MP3 átírása szöveggé
A legtöbb embernek az online eszköz a leggyorsabb: az MP3-at változtatás nélkül fogadja, jelöli a beszélőket és szerkeszthető fájlt ad. Használja a Wordöt, ha már fizet Microsoft 365-ért, rövid klipeket írjon le kézzel, a Whispert pedig futtassa helyben, ha a hang nem hagyhatja el a gépet.
- Ellenőrizze a fájlt. Hallgasson meg 30 másodpercet, hogy a hangok tiszták-e.
- Töltse fel és állítsa be. Válassza ki a beszélt nyelvet, és több beszélőnél kapcsolja be a beszélőfelismerést.
- Ellenőrizze és exportálja. Javítsa a neveket és számokat, majd töltsön le DOCX-et vagy TXT-t dokumentumhoz, SRT-t vagy VTT-t felirathoz.
Melyik módszert használja?
Három szempont szerint válasszon: mennyi a hang, kell-e beszélőcímke, és hová kerülhet a hang. A Microsoft adatait 2026 novemberében ellenőriztük.
| Módszer | Költség | Beszélőcímkék | Hová kerül a hang? | Mire a legjobb? |
|---|---|---|---|---|
| 1. Online átíróeszköz | Sok eszköznél ingyenes indulás, nagyobb mennyiséghez fizetős csomag | A legtöbbnél igen | A szolgáltató szervereire | Interjúk, podcastok, előadások, rendszeres munka |
| 2. Microsoft Word Transcribe | Microsoft 365 része, havonta legfeljebb 300 feltöltött perc | Igen (Speaker 1, Speaker 2) | Microsoft szerverei; fájl a OneDrive-ban | Alkalmi fájlokhoz meglévő Word mellett |
| 3. Kézi átírás | Ingyenes, de órákba kerül | Ön adja hozzá | Az eszközén marad | Rövid klipek, pontosan szükséges idézetek |
| 4. Whisper a saját gépen | Ingyenes, nyílt forráskódú | A hivatalos eszközben nincs | Az eszközén marad | Privát hang, technikai felhasználók, kötegek |
Kezdés előtt: ellenőrizze MP3-fájlját 60 másodperc alatt
Az MP3 veszteséges formátum. A Library of Congress formátumleírása szerint kevésbé hallható hangokat dob el, és a 128 kbit/s MP3 nagyjából a CD-minőségű hang egytizenegye. Az elveszett részletek nem nyerhetők vissza, ezért ismerje meg a fájlt.
Windowson nyissa meg a Tulajdonságok → Részletek, Macen az Információk panelt. Telepített FFmpeg mellett ez a parancs megjeleníti a kodeket, mintavételi sebességet, csatornákat, bitsebességet és időtartamot:
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
A parancsot ebben az ellenőrzésben nem futtattuk; megjeleníthet például sample_rate=44100 és bit_rate=128000 sorokat. Így értelmezhetők:
| Érték | Mit mutat? | Mit jelent az átíráshoz? |
|---|---|---|
| bit_rate | Mennyi adat maradt másodpercenként a tömörítés után | Nagyon alacsony bitsebességnél kevesebb részlet marad, és nem pótolható |
| sample_rate | Másodpercenként hányszor mintavételezték a hangot | A Google beszédfelismeréshez legalább 16 000 Hz-et ajánl |
| channels | Mono (1) vagy sztereó (2) | A sztereó megfelelő; a Whisper betöltéskor monóra keveri |
| duration | A felvétel hossza | Megmutatja, eléri-e az eszköz hossz- vagy perckorlátját |
Befolyásolja az MP3 bitsebessége az átírás pontosságát?
Befolyásolhatja. A Google Cloud beszédfelismerési bevált gyakorlatai szerint a veszteséges kodekek, köztük az MP3, csökkenthetik a pontosságot, és a zaj, illetve visszhang veszteséges kodekkel együtt jobban ront. Nincs közzétett bitsebességi küszöb, ezért ez csak egy tényező a sok közül. A mikrofonhoz közeli tiszta hang fontosabb a magas bitsebességnél.
Gyakorlati szabály: a rendelkezésre álló legjobb változatot írja át. Ha az eredeti WAV vagy FLAC megvan, azt használja. Egy 96 kbps fájl 320 kbps-ra újrakódolása vagy WAV-ként mentése növeli a méretet, de semmit nem állít vissza.
Milyen mintavételi sebesség kell a beszédfelismeréshez?
Beszédfelismeréshez általában elég a 16 kHz. Az OpenAI nyílt forrású Whisper-kódja minden fájlt FFmpegen keresztül tölt be, monóra alakít és 16 000 Hz-re mintavételez, mielőtt a modell feldolgozza (whisper/audio.py a GitHubon). A Google útmutatója is ellenzi a kézi újramintavételezést. A 8 000 Hz-en készült telefonfelvételt változtatás nélkül kell elküldeni.
Egy tipikus MP3 44,1 vagy 48 kHz-e bőven elég. Feltöltés előtt ne konvertálja a mintavételi sebességet.
Hangminőségi ellenőrzőlista
Fontos anyag előtt:
- Hallgassa meg az elejét és egy középső részt. Megfelelő a nyelv és mindenki hallható?
- Ellenőrizze a hangerőt. Az
ffmpeg -i interview.mp3 -af volumedetect -f null -kiírja az átlagos és maximális hangerőt. A 0 dB-hez közeli maximum túlvezérlést jelezhet, a torzult csúcsok nehezen állíthatók helyre. - Kerülje az erős zajcsökkentést. A Google szerint a felismerés előtti zajcsökkentés általában csökkenti a pontosságot.
- Írja össze a neveket, rövidítéseket és szakkifejezéseket a későbbi ellenőrzéshez.
- Őrizze meg az eredeti fájlt, amíg az átirat végleges nem lesz.
1. módszer: az MP3 feltöltése online átíróeszközbe
Hosszú MP3 szerkeszthető szöveggé alakítására az online eszközök a leggyorsabbak: a modell a szolgáltató szerverein fut, telepítés nem kell. Az alábbi lépések a whispertranscribe.ai eszközt használják. A whispertranscribe.ai webes, OpenAI Whisper-alapú AI-átíró, amely több mint 130 nyelven alakítja a hangot és videót szöveggé, legfeljebb 5 GB és 10 óra feltöltéssel. Más eszközök hasonlóan működnek, eltérő menükkel.
1. lépés: Nyissa meg az MP3-átíró oldalt, és válasszon nyelvet
Nyissa meg az MP3 átírása szöveggé oldalt, és az 1. lépésnél válassza ki a beszélt nyelvet. Több mint 130 nyelv, regionális változatok, például indiai angol, valamint rossz hanghoz Noise / Low-Quality Audio/Video lehetőségek érhetők el.
2. lépés: Töltse fel az MP3-at
A 2. lépésnél húzza be vagy tallózza ki a fájlt. Legfeljebb 5 GB lehet, a csomagok legfeljebb 10 órás felvételt támogatnak. WAV, M4A, FLAC, MP4 és MOV is használható.
3. lépés: Szükség esetén kapcsolja be a Speaker Detection funkciót
Interjúhoz, megbeszéléshez és podcasthoz kapcsolja be az Enable Speaker Detection lehetőséget, így minden megszólalás címkét kap.
4. lépés: Indítsa az átírást
Kattintson a Transcribe MP3 to text gombra. Tiszta hangnál a pontosság legfeljebb 99%. Háttérzaj, erős akcentus és egymás szavába vágó beszéd csökkenti, ezért tervezzen ellenőrzést.
5. lépés: Exportálja az átiratot
Dokumentumhoz és elemzéshez töltsön le DOCX, PDF, TXT vagy CSV, időzített felirathoz SRT vagy VTT formátumot. Ha eleve felirat a cél, az MP3–SRT konverter közvetlenül feliratfájlt készít.
Csomagválasztás előtt ingyen, fiók nélkül kipróbálhatja. A fizetős csomagok éves számlázással havi $9.99-tól indulnak; lásd az árakat. Nagy videófájlt előbb a hang- és videó–MP3 konverterrel csökkenthet, Google Drive-ban vagy Dropboxban lévő MP3-at pedig közvetlenül a Transcribe from URL eszközbe illeszthet.
Jó tudni: az online eszközök a szolgáltató szervereire töltik fel a hangot. Bizalmas felvétel előtt olvassa el az adatvédelmi szabályzatot, vagy használja a 3. vagy 4. módszert.
2. módszer: a Microsoft Word Transcribe funkciója
Microsoft 365-tel a Word önállóan átírhat MP3-at. A Microsoft Support szerint (ellenőrizve 2026 novemberében) a Transcribe .mp3, .wav, .m4a és .mp4 fájlokat fogad és elkülöníti a beszélőket.
- Jelentkezzen be a Microsoft 365-be, és nyisson dokumentumot a webes Wordben (új Microsoft Edge vagy Chrome) vagy a Word for Microsoft 365 Windows-verziójában.
- Lépjen a Home → Dictate (legördülő menü) → Transcribe pontra.
- A Transcribe panelen válassza az Upload audio lehetőséget és az MP3-fájlt.
- Feldolgozás közben hagyja nyitva a panelt; a Microsoft szerint ez körülbelül a fájl hosszáig tarthat.
- Ellenőrizze: játsszon le részeket akár 2x sebességgel, szerkessze a szöveget és nevezze át egyszerre mindenütt a „Speaker 1” címkét.
- Válassza az Add all to document elemet az átirat beszúrásához, majd mentsen DOCX-ként.
Tervezendő korlátok: A Microsoft 365 havonta legfeljebb 300 perc feltöltött hangot ad. Dokumentumonként egy átirat lehet, a feltöltések a OneDrive Transcribed Files mappájába kerülnek. A Microsoft szerint az asztali Windows-verzió jelenleg üzleti bérlőkre korlátozott. Súgója nem sorol fel SRT- vagy VTT-exportot, ezért a Word dokumentumokhoz jobb, mint felirathoz.
3. módszer: az MP3 kézi átírása
A kézi gépelés ingyenes és a hang az eszközön marad, de lassú. Használja rövid klipekhez, pontos idézetekhez vagy gépileg hibázott részekhez.
- Nyissa meg az MP3-at egy lassítható és gyorsbillentyűvel visszatekerhető lejátszóban, mellette üres dokumentummal.
- Állítsa a lejátszást körülbelül 0.75x sebességre, és dolgozzon rövid részletekben: lejátszás, szünet, gépelés, szükség szerint visszatekerés.
- Minden megszólalásnál jelölje a beszélőt, például
INTERVIEWER:ésMARIA:. A W3C átiratokról szóló útmutatója szerint egy podcast átirata lehet egyszerű, beszélőkkel jelölt bekezdéssorozat. - Jelölje a nem hallható részeket időbélyeggel, például
[inaudible 00:14:32], hogy visszatérhessen rájuk. - Végezzen végső ellenőrzést normál sebességgel, olvasás közben figyelve a hasonló hangzású szavak hibáira.
Vagy készíttesse el a vázlatot egy eszközzel, és csak a fontos részeknél használja ezt az ellenőrzést.
4. módszer: Whisper futtatása saját számítógépen
A Whisper az OpenAI nyílt forrású beszédfelismerő modellje; az OpenAI tanulmánya szerint 680 000 órányi többnyelvű hangon tanították. Helyben futtatva ingyenes és semmi nem kerül feltöltésre. A kompromisszum a beállítás: Python, FFmpeg és lassabb gépen türelem kell.
Telepítse a hivatalos tárolóban leírtak szerint:
pip install -U openai-whisper
Az FFmpeg-nek is telepítve és a PATH-ban kell lennie. Ezután írja át:
whisper interview.mp3 --model turbo --language English --output_format srt
Sima szöveghez használja a --output_format txt kapcsolót, vagy hagyja el, hogy egyszerre TXT, VTT, SRT, TSV és JSON készüljön. CPU-n a figyelmeztetés elkerüléséhez adja hozzá a --fp16 False kapcsolót. A parancsok példák, ebben az ellenőrzésben nem futtattuk őket; a tiny egy választható modell.
| Modell | Paraméterek | Kb. VRAM (OpenAI szerint) | Sebesség a large-hoz képest (OpenAI szerint) |
|---|---|---|---|
| tiny | 39 M | kb. 1 GB | kb. 10x |
| small | 244 M | kb. 2 GB | kb. 4x |
| medium | 769 M | kb. 5 GB | kb. 2x |
| turbo (alapértelmezett) | 809 M | kb. 6 GB | kb. 8x |
| large | 1550 M | kb. 10 GB | 1x |
Az OpenAI a turbo modellt minimális pontosságvesztésű optimalizált large-v3-ként írja le, de nem fordításra tanították.
A kompromisszum: a hivatalos eszköz nem kínál beszélőcímkézést, szerkesztőt vagy DOCX-/PDF-exportot, és az OpenAI szerint a teljesítmény nyelvenként erősen változik. Közösségi projektek némely hiányt pótolják, saját beállítási igénnyel.
Hosszú MP3-ak, több beszélő és más nyelvek kezelése
Hosszú felvételek
Feltöltés előtt ellenőrizze a korlátot. A whispertranscribe.ai csomagjai 10 órás és 5 GB-os fájlokat támogatnak; a Word havi kvótája összesen öt óra. Rövidebb korlátú eszközhöz az FFmpeg újrakódolás nélkül egyórás részekre vághatja az MP3-at:
ffmpeg -i lecture.mp3 -f segment -segment_time 3600 -c copy lecture_part_%03d.mp3
A vágás mondat közepére eshet, ezért szövegegyesítéskor ellenőrizze a csatlakozásokat. Oktatáshoz és előadáshoz lásd az előadásátírást.
Több beszélő
Kapcsolja be a beszélőfelismerést, majd megosztás előtt nevezze át az általános címkéket. A címkék különösen közbevágáskor vagy hasonló hangoknál tévednek, ezért minden beszélő néhány fordulóját ellenőrizze. A következő alkalmon mindenkinek adjon külön mikrofont.
Más nyelvek és akcentusok
Automatikus felismerés helyett válassza ki a nyelvet, különösen ha a fájl zenével kezdődik. A whispertranscribe.ai Multilingual Mix módja angol, spanyol, francia, német, hindi, orosz, portugál, japán, olasz és holland között váltó felvételekhez használható. Nem angol MP3-ból angol szöveghez használja a hang angolra fordítását külön átírás és fordítás helyett.
MP3-átirat ellenőrzése: háromkörös folyamat
Az AI-vázlatok kiszámítható helyeken hibáznak, ezért ritkán kell az egész fájlt újrahallgatni.
1. kör: Keressen, ne hallgasson. A név- és kifejezéslistával keresés és csere segítségével javítsa az összes előfordulást.
2. kör: Hallgassa meg a kritikus részeket. Ugorjon ezekhez és vesse össze a hanggal:
| Kritikus pont | Tipikus hiba | Ellenőrzés |
|---|---|---|
| Számok és dátumok | „Tizenöt” vagy „ötven”, elveszett tizedesek | Minden idézendő számot hallgasson vissza |
| Nevek és márkák | Hangzás szerinti írásmód | Vesse össze a kifejezéslistával |
| Átfedő beszéd | Két mondat összeolvad vagy egy kimarad | Hallgassa normál, majd lassabb sebességgel |
| Beszélőváltások | A sor rossz személyhez kerül | Ellenőrizze az első sort minden váltás után |
| Halk vagy távoli hangok | Hiányzó szavak | Növelje a hangerőt az adott résznél |
| Első és utolsó percek | Csevegés, zene, rossz nyelvfelismerés | Szükség szerint törölje vagy javítsa |
3. kör: Olvassa dokumentumként. Olvassa végig hang nélkül; ami nem érthető, hallgassa vissza. Amit továbbra sem hall, jelölje [unclear] címkével találgatás helyett.
Milyen exportformátumra van szüksége?
A következő feladat alapján válasszon: dokumentumhoz DOCX vagy TXT, videóra kerülő szöveghez SRT vagy VTT kell.
| Formátum | Felhasználás |
|---|---|
| DOCX | Szerkesztés, jelentések, cikkek, műsorjegyzetek |
| Változatlan példány megosztásra vagy archiválásra | |
| TXT | Beillesztés más alkalmazásokba vagy AI-összefoglalókba |
| CSV | Táblázatok és kutatási elemzés |
| SRT | Felirat YouTube-hoz, videószerkesztőkhöz és lejátszókhoz |
| VTT | Felirat HTML5 webes videólejátszókhoz |
Telefonos hangjegyzetekhez a hangjegyzet-átírás oldala ugyanazokat az exportlehetőségeket ismerteti.
Gyakori kérdések
Átírható ingyen az MP3 szöveggé?
Igen. A kézi gépelés mindig ingyenes, az OpenAI nyílt forrású Whisperének saját gépen futtatása pedig a beállítási időn és hardveren túl nem kerül pénzbe. Sok online eszköz ingyenes indulást is kínál. A whispertranscribe.ai fiók nélküli ingyenes lehetősége hasznos a saját hang tesztelésére. Az ingyenes opciók rendszerint korlátozzák a hosszt vagy funkciókat, ezért rendszeres munkához hasonlítsa össze a fizetős csomagokat; a whispertranscribe.ai éves számlázással havi $9.99-tól indul.
Mennyi ideig tart egy MP3 átírása?
AI-eszközzel rendszerint jóval kevesebb, mint a hang hossza, de a fájltól és szolgáltatástól függ. A Microsoft szerint a Word Transcribe körülbelül a fájl hosszáig tarthat. A Whisper helyi futása a hardvertől és modelltől függ; a kisebb modellek gyorsabbak, de többet hibáznak. A kézi átírás a hang hosszának többszörösét veszi igénybe, ezért a legtöbben csak rövid klipeket írnak kézzel.
Javítja a pontosságot az MP3 WAV-ba konvertálása?
Nem. Az MP3 WAV-ként mentése vagy magasabb bitsebességű újrakódolása nagyobb fájlt készít, de nem hozza vissza az MP3 készítésekor eltávolított részleteket. Az MP3 veszteséges. Ha az eredeti WAV vagy FLAC megvan, azt írja át. Egyébként az MP3-at változatlanul töltse fel. A Whisperhez hasonló beszédmotorok belsőleg 16 kHz monóra mintavételeznek, ezért a kézi sebességkonvertálás sem segít.
Hogyan írjak át több beszélős MP3-at?
Használjon beszélőfelismerős eszközt, és indítás előtt kapcsolja be. Az átirat minden fordulót számozott címkével, például Speaker 1 jelöléssel lát el, amelyet utólag valódi névre cserélhet. A Microsoft Word Transcribe és a whispertranscribe.ai is címkéz; a hivatalos Whisper parancssori eszköz nem. Ellenőrizze a címkéket közbevágásoknál, mert ott keverednek leggyakrabban.
Alakíthatok MP3-at Word-dokumentummá?
Igen. A leggyorsabb online eszközzel átírni és DOCX-be exportálni, amely közvetlenül megnyílik Wordben vagy Google Dokumentumokban. Microsoft 365 esetén a Wordben a Home, Dictate, Transcribe, Upload audio útvonalon is feltöltheti az MP3-at, majd választhatja az Add all to document elemet. Az előfizetés havonta legfeljebb 300 perc feltöltött hangot tartalmaz.
Készíthetek MP3-ból feliratot átirat helyett?
Igen. DOCX vagy TXT helyett exportáljon SRT-t vagy VTT-t. Mindkét formátum megőrzi a sorok időzítését, így a videólejátszó vagy szerkesztő a megfelelő pillanatban jeleníti meg a szöveget. A whispertranscribe.ai átírás után SRT-t vagy VTT-t exportál, illetve használható az MP3–SRT konverter. A Whisper parancssori eszköze is tud SRT- és VTT-fájlokat készíteni a kimeneti formátum beállításával.
Készen áll a próbára? Töltsön fel fájlt a whispertranscribe.ai MP3–szöveg konverterébe, vagy más formátumhoz használja az ingyenes hang–szöveg konvertert. Mindkettő több mint 130 nyelven működik, beszélőcímkékkel és DOCX-, PDF-, TXT-, CSV-, SRT- és VTT-exporttal.
Források
- Library of Congress: MP3 (MPEG Layer III Audio Encoding)
- Google Cloud: Bevált gyakorlatok a Speech-to-Text API számára
- Microsoft Support: Felvételek átírása
- OpenAI: Whisper a GitHubon (README és
whisper/audio.py) - Radford és mtsai., OpenAI: Robust Speech Recognition via Large-Scale Weak Supervision
- W3C Web Accessibility Initiative: Átiratok
