Hvernig á að umrita MP3 í texta: samanburður á 4 aðferðum

Ritstjórn whispertranscribe.ai · Síðast uppfært: nóvember 2026 · 12 mínútna lestur

Til að umrita MP3 í texta skaltu setja skrána í AI-umritunartól, velja talað tungumál og flytja niðurstöðuna út sem DOCX, TXT eða SRT. Þú getur líka notað Transcribe í Microsoft Word, skrifað sjálf(ur) eða keyrt ókeypis Whisper-líkan OpenAI á eigin tölvu. Hvað sem þú velur setja gæði MP3-skrárinnar efri mörk niðurstöðunnar.

Hér að neðan eru allar fjórar aðferðirnar skref fyrir skref, hvernig á að lesa bitahraða og sýnatökutíðni, hljóðgátlisti, ráð fyrir langar skrár og marga mælendur og þriggja umferða yfirferð.

Stutt svar: hvernig á að umrita MP3 í texta

Fyrir flesta er nettól fljótlegast: það tekur við MP3, merkir mælendur og skilar breytanlegri skrá. Notaðu Word ef þú borgar nú þegar fyrir Microsoft 365, skrifaðu stutt brot handvirkt og keyrðu Whisper staðbundið þegar hljóðið má ekki fara úr tölvunni.

  1. Athugaðu skrána. Spilaðu 30 sekúndur til að staðfesta að raddirnar séu skýrar.
  2. Hladdu upp og stilltu valkosti. Veldu talaða tungumálið og kveiktu á auðkenningu mælenda ef fleiri en einn tala.
  3. Yfirfarðu og flyttu út. Lagaðu nöfn og tölur og sæktu DOCX eða TXT fyrir skjöl, SRT eða VTT fyrir skjátexta.

Hvaða aðferð á að nota?

Veldu eftir þremur atriðum: hve mikið hljóð þú hefur, hvort þú þarft merkingar mælenda og hvert hljóðið má fara. Upplýsingar Microsoft voru skoðaðar í nóvember 2026.

Aðferð Kostnaður Merkingar mælenda Hvert hljóðið fer Hentar best
1. Umritunartól á netinu Mörg bjóða ókeypis byrjun, greiddar áskriftir fyrir meira magn Já, í flestum Netþjónar veitanda Viðtöl, hlaðvörp, fyrirlestrar, regluleg vinna
2. Microsoft Word Transcribe Innifalið í Microsoft 365, allt að 300 upphlaðnar mínútur á mánuði Já (Speaker 1, Speaker 2) Netþjónar Microsoft, skrá geymd á OneDrive Einstaka skrár ef þú notar Word nú þegar
3. Handvirk umritun Ókeypis en tekur klukkustundir Þú bætir þeim við Verður á tækinu Stutt brot, tilvitnanir sem þurfa að vera nákvæmar
4. Whisper á eigin tölvu Ókeypis, opinn hugbúnaður Ekki í opinbera tólinu Verður á tækinu Einkahljóð, tækninotendur, skráasöfn

Áður en þú byrjar: athugaðu MP3 á 60 sekúndum

MP3 er tapsnið. Sniðlýsing Library of Congress útskýrir að það fleygi hljóðum sem fólk er ólíklegra til að heyra og að 128 kbit/s MP3 sé um einn ellefti af stærð hljóðs í geisladiskgæðum. Ekki er hægt að endurheimta glataðar upplýsingar, svo kynntu þér skrána.

Í Windows opnaðu Properties → Details; á Mac Get Info. Með FFmpeg uppsettu sýnir þessi skipun kóðara, sýnatökutíðni, rásir, bitahraða og lengd:

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

Þetta er dæmi fyrir FFmpeg 7.1 sem við keyrðum ekki í þessari yfirferð; það getur sýnt línur eins og sample_rate=44100 og bit_rate=128000. Svona lesðu þær:

Gildi Hvað það sýnir Hvað það þýðir fyrir umritun
bit_rate Hve mikið gagnamagn á sekúndu lifði þjöppunina af Mjög lágur bitahraði skilur eftir færri upplýsingar sem ekki má endurheimta
sample_rate Hve oft á sekúndu hljóðið var mælt Google mælir með 16.000 Hz eða meira fyrir talgreiningu
channels Mono (1) eða stereo (2) Steríó er í lagi; Whisper blandar í mónó við hleðslu
duration Lengd upptöku Sýnir hvort þú nærð lengdar- eða mínútumörkum tóls

Hefur bitahraði MP3 áhrif á nákvæmni umritunar?

Það getur gerst. Bestu venjur Google Cloud fyrir talgreiningu segja að tapkóðarar, þar á meðal MP3, geti dregið úr nákvæmni og að hávaði og bergmál hafi meiri áhrif með tapkóðara. Engin birt mörk bitahraða eru til, svo líttu á hann sem einn þátt af mörgum. Skýr rödd nálægt hljóðnema skiptir meira máli en hár bitahraði.

Hagnýta reglan: umritaðu bestu útgáfuna sem þú átt. Ef upprunalegt WAV eða FLAC er enn til skaltu nota það. Endurkóðun 96 kbps skrár á 320 kbps eða vistun sem WAV stækkar hana án þess að endurheimta neitt.

Hvaða sýnatökutíðni þarf talgreining?

Fyrir talgreiningu duga yfirleitt 16 kHz. Opinn Whisper-kóði OpenAI hleður hverri skrá í gegnum FFmpeg, breytir í mónó og endursýnatakar í 16.000 Hz áður en líkanið vinnur hljóðið (whisper/audio.py á GitHub). Leiðbeiningar Google mæla einnig gegn því að endursýnataka sjálf(ur). Sendu símaopptöku við 8.000 Hz eins og hún er, án þess að auka tíðnina.

44.1 kHz eða 48 kHz í venjulegri MP3 er meira en nóg. Ekki breyta sýnatökutíðni fyrir upphleðslu.

Gátlisti fyrir hljóðgæði

Fyrir mikilvæga vinnu:

  • Hlustaðu á upphaf og miðkafla. Er tungumálið rétt og heyrast allir?
  • Athugaðu hljóðstyrk. ffmpeg -i interview.mp3 -af volumedetect -f null - sýnir meðal- og hámarksstyrk. Hámark nálægt 0 dB getur bent til klippingar og bjagaðir toppar eru erfiðir í endurheimt.
  • Slepptu mikilli hávaðasíun. Google segir að hávaðasíun fyrir greiningu dragi yfirleitt úr nákvæmni.
  • Skráðu nöfn, skammstafanir og fagorð fyrir síðari yfirferð.
  • Haltu frumskránni þar til uppskriftin er fullgerð.

Aðferð 1: hladdu MP3 í umritunartól á netinu

Nettól eru fljótlegasta leiðin til að breyta langri MP3-skrá í breytanlegan texta: líkanið keyrir á netþjónum veitandans og ekkert þarf að setja upp. Skrefin nota whispertranscribe.ai. whispertranscribe.ai er vefmiðað AI-umritunartól sem breytir hljóði og myndskeiðum í texta á 130+ tungumálum, styður upphleðslur allt að 5GB og 10 klukkustundum og notar Whisper-líkan OpenAI. Önnur tól virka svipað með öðrum valmyndum.

Skref 1: opnaðu MP3-umritunarsíðuna og veldu tungumál

Farðu á MP3 í texta síðuna og veldu talað tungumál undir Step 1. Þar eru 130+ tungumál, svæðisbundin afbrigði eins og English (India) og Noise / Low-Quality Audio/Video fyrir slæmar upptökur.

Skref 2: hladdu MP3 upp

Undir Step 2 skaltu draga og sleppa skránni eða finna hana. Skrár geta verið allt að 5GB og áskriftir styðja upptökur allt að 10 klukkustundum. WAV, M4A, FLAC, MP4 og MOV virka líka.

Skref 3: kveiktu á Speaker Detection ef þarf

Fyrir viðtöl, fundi og hlaðvörp skaltu kveikja á Enable Speaker Detection svo hvert innlegg sé merkt.

Skref 4: byrjaðu umritun

Smelltu á Transcribe MP3 to text. Nákvæmni nær allt að 99% við hreint hljóð. Bakgrunnshávaði, sterkur hreimur og samtímis tal draga úr henni, svo áætlaðu yfirferð.

Skref 5: flyttu uppskriftina út

Sæktu DOCX, PDF, TXT eða CSV fyrir skjöl og greiningu eða SRT og VTT fyrir tímastilltan skjátexta. Ef skjátexti er markmiðið frá upphafi býr MP3 to SRT converter beint til skjátextaskrá.

Þú getur prófað ókeypis án reiknings áður en þú velur áskrift. Greiddar áskriftir byrja frá $9.99/mánuði við árlega innheimtu; sjá verð. Stórt myndskeið má fyrst minnka með hljóð- og myndskeiðsbreyti í MP3 og MP3 á Google Drive eða Dropbox má setja beint í Transcribe from URL.

Gott að vita: nettól hlaða hljóðinu á netþjóna veitanda. Fyrir trúnaðarupptökur skaltu fyrst lesa persónuverndarstefnuna eða nota aðferð 3 eða 4.

Aðferð 2: notaðu Transcribe í Microsoft Word

Með Microsoft 365 getur Word umritað MP3 sjálft. Samkvæmt Microsoft Support (skoðað í nóvember 2026) tekur Transcribe við .mp3, .wav, .m4a og .mp4 og aðgreinir mælendur.

  1. Skráðu þig inn í Microsoft 365 og opnaðu skjal í Word fyrir vefinn (nýr Microsoft Edge eða Chrome) eða Word fyrir Microsoft 365 á Windows.
  2. Farðu í Home → Dictate (fellivalmynd) → Transcribe.
  3. Veldu Upload audio í Transcribe-spjaldinu og veldu MP3-skrána.
  4. Haltu spjaldinu opnu meðan á vinnslu stendur; Microsoft segir að hún geti tekið um það bil jafnlangan tíma og skráin.
  5. Yfirfarðu: spilaðu hvaða kafla sem er á allt að 2x hraða, breyttu texta og endurnefndu „Speaker 1“ alls staðar í einu.
  6. Veldu Add all to document til að setja uppskriftina í skjalið og vistaðu sem DOCX.

Takmörk: Microsoft 365-notendur fá allt að 300 mínútur af upphlöðnu hljóði á mánuði. Hvert skjal inniheldur eina uppskrift og upphleðslur vistast í Transcribed Files-möppu á OneDrive. Microsoft segir Windows-skjáborðsútgáfuna nú takmarkaða við fyrirtækjareikninga. Hjálparsíðan nefnir ekki SRT- eða VTT-útflutning, svo Word hentar betur skjölum en skjátexta.

Aðferð 3: umritaðu MP3 handvirkt

Að skrifa sjálf(ur) er ókeypis og heldur hljóðinu á tækinu, en er hægt. Notaðu það fyrir stutt brot, orðréttar tilvitnanir eða kafla sem vél fór rangt með.

  1. Opnaðu MP3 í spilara sem getur hægt á spilun og hoppað til baka með flýtilykli, með autt skjal við hliðina.
  2. Stilltu spilun á um 0.75x og vinnðu í stuttum lotum: spilaðu orðasamband, gerðu hlé, skrifaðu og spólaðu til baka ef þarf.
  3. Merktu mælendur við hvert innlegg, til dæmis INTERVIEWER: og MARIA:. Leiðbeiningar W3C um uppskriftir segja að hlaðvarpsuppskrift geti verið einfaldar málsgreinar með auðkenndum mælandum.
  4. Merktu það sem þú heyrir ekki með tímastimpli, til dæmis [inaudible 00:14:32], svo þú getir snúið aftur.
  5. Farðu yfir á venjulegum hraða meðan þú lest með til að finna rangt túlkuð samhljóða orð.

Eða láttu tól skrifa uppkastið og notaðu þetta ferli aðeins þar sem það skiptir máli.

Aðferð 4: keyrðu Whisper á eigin tölvu

Whisper er opið talgreiningarlíkan OpenAI sem var þjálfað á 680.000 klukkustundum fjöltyngds hljóðs samkvæmt rannsóknarriti OpenAI. Staðbundin keyrsla er ókeypis og engu er hlaðið upp. Gallinn er uppsetning: þú þarft Python, FFmpeg og þolinmæði á hægari tölvum.

Settu það upp samkvæmt opinberu geymslunni:

pip install -U openai-whisper

FFmpeg þarf einnig að vera uppsett og á PATH. Umritaðu síðan:

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

Notaðu --output_format txt fyrir venjulegan texta eða slepptu flagginu til að skrifa TXT, VTT, SRT, TSV og JSON í einu. Á CPU skaltu bæta við --fp16 False til að sleppa viðvörun. Skipanirnar eru dæmi; við keyrðum hvorki openai-whisper 20250625 né tiny líkanið í þessari yfirferð.

Líkan Stikar Áætlað VRAM (samkvæmt OpenAI) Hraði miðað við large (samkvæmt OpenAI)
tiny 39 M um 1 GB um 10x
small 244 M um 2 GB um 4x
medium 769 M um 5 GB um 2x
turbo (sjálfgefið) 809 M um 6 GB um 8x
large 1550 M um 10 GB 1x

OpenAI lýsir turbo sem bestaðri large-v3 með lágmarks nákvæmnistapi en það er ekki þjálfað til þýðingar.

Það sem þú missir: opinbera tólið hefur hvorki merkingar mælenda, ritil né DOCX- eða PDF-útflutning og OpenAI bendir á að árangur sé mjög mismunandi eftir tungumálum. Samfélagsverkefni fylla sumar eyður, hvert með eigin uppsetningu.

Hvernig á að vinna með langar MP3-skrár, marga mælendur og önnur tungumál

Langar upptökur

Athugaðu mörkin áður en þú hleður upp. Áskriftir whispertranscribe.ai styðja skrár allt að 10 klukkustundum og 5GB; mánaðarkvóti Word er alls fimm klukkustundir. Fyrir tól með styttri mörk getur FFmpeg skipt MP3 í klukkustundarlanga hluta án endurkóðunar:

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

Skurður getur lent í miðri setningu, svo athugaðu samskeytin þegar þú sameinar textann. Fyrir kennslu og erindi sjá umritun fyrirlestra.

Margir mælendur

Kveiktu á auðkenningu mælenda og endurnefndu almennu merkingarnar áður en þú deilir. Merkingar verða oft rangar þegar fólk grípur fram í eða hljómar svipað, svo athugaðu nokkur innlegg hvers mælanda. Næst skaltu gefa hverjum sinn hljóðnema.

Önnur tungumál og hreimur

Veldu tungumálið í stað sjálfvirkrar greiningar, sérstaklega ef skrá byrjar á tónlist. whispertranscribe.ai býður Multilingual Mix fyrir upptökur sem skipta milli ensku, spænsku, frönsku, þýsku, hindí, rússnesku, portúgölsku, japönsku, ítölsku og hollensku. Ef þú þarft enskan texta úr MP3 sem er ekki á ensku skaltu nota þýðingu hljóðs á ensku í stað þess að umrita og þýða sérstaklega.

Hvernig á að yfirfara MP3-uppskrift: 3 umferðir

AI-uppköst bregðast á fyrirsjáanlegum stöðum, svo sjaldan þarf að hlusta á alla skrána aftur.

Umferð 1: leitaðu, ekki hlusta. Notaðu finna-og-skipta út með lista yfir nöfn og hugtök til að laga allar stafsetningarvillur í einu.

Umferð 2: hlustaðu á áhættustaði. Farðu á þessa staði og berðu saman við hljóðið:

Staður Hvað fer yfirleitt úrskeiðis Hvernig á að athuga
Tölur og dagsetningar Svipaðar tölur ruglast, aukastafir vantar Spilaðu aftur allar tölur sem þú vitnar í
Nöfn og vörumerki Skrifuð eftir hljóði Berðu saman við hugtakalistann
Samtímis tal Tvær setningar sameinaðar eða ein vantar Hlustaðu á venjulegum hraða, síðan hægar
Skipti á mælanda Lína eignuð röngum aðila Athugaðu fyrstu línu eftir hver skipti
Lágar eða fjarlægar raddir Orð vantar Hækkaðu hljóðið fyrir þann kafla
Fyrstu og síðustu mínútur Smáspjall, tónlist, röng tungumálaágiskun Eyddu eða lagaðu eftir þörfum

Umferð 3: lestu eins og skjal. Lestu einu sinni án hljóðs; hlustaðu aftur á allt sem er óskiljanlegt. Merktu það sem enn heyrist ekki með [unclear] í stað þess að giska.

Hvaða útflutningssnið þarftu?

Veldu eftir næsta skrefi: skjöl þurfa DOCX eða TXT, texti yfir myndskeiði þarf SRT eða VTT.

Snið Notaðu fyrir
DOCX Breytingar, skýrslur, greinar, show notes
PDF Fasta afrit til deilingar eða varðveislu
TXT Að líma í önnur forrit eða AI-samantektir
CSV Töflureikna og rannsóknargreiningu
SRT Skjátexta fyrir YouTube, myndvinnsluforrit og spilara
VTT Skjátexta fyrir HTML5-vefspilara

Fyrir raddminnismiða úr símanum fjallar síða um umritun raddminnismiða um sömu útflutningsmöguleika.

Algengar spurningar

Get ég umritað MP3 í texta ókeypis?

Já. Að skrifa sjálf(ur) er alltaf ókeypis og að keyra opið Whisper OpenAI á eigin tölvu kostar ekkert umfram uppsetningartíma og vélbúnað. Mörg nettól bjóða einnig ókeypis byrjun. whispertranscribe.ai býður ókeypis valkost án reiknings, gagnlegan til að athuga hvernig hljóðið kemur út. Ókeypis kostir takmarka yfirleitt lengd eða eiginleika, svo fyrir reglulega vinnu skaltu bera saman greiddar áskriftir; whispertranscribe.ai byrjar frá $9.99/mánuði við árlega innheimtu.

Hversu langan tíma tekur að umrita MP3-skrá?

Með AI-tóli yfirleitt mun skemur en lengd hljóðsins, þó það fari eftir skrá og þjónustu. Microsoft segir að Transcribe í Word geti tekið allt að um lengd skráarinnar. Staðbundið Whisper fer eftir vélbúnaði og líkani; minni líkön eru hraðari en gera fleiri mistök. Handvirk ritun tekur margfalda lengd hljóðsins, svo flestir umrita aðeins stutt brot handvirkt.

Bætir umbreyting MP3 í WAV nákvæmni umritunar?

Nei. Að vista MP3 sem WAV eða endurkóða með hærri bitahraða stækkar skrána en endurheimtir ekki upplýsingar sem voru fjarlægðar þegar MP3 var búið til. MP3 er tapsnið. Ef frumrit WAV eða FLAC er enn til skaltu umrita það. Annars skaltu hlaða MP3 upp eins og það er. Talmótorar eins og Whisper endursýnataka hljóð innanhúss í 16 kHz mónó, svo það hjálpar ekki að breyta tíðninni sjálf(ur).

Hvernig umrita ég MP3 með mörgum mælandum?

Notaðu tól með auðkenningu mælenda og kveiktu á henni áður en þú byrjar. Uppskriftin gefur hverju innleggi tölumerkingu eins og Speaker 1 sem þú endurnefnir síðar. Microsoft Word Transcribe og whispertranscribe.ai merkja bæði mælendur; opinbera skipanalínutól Whisper gerir það ekki. Athugaðu merkingar þar sem fólk grípur fram í, því þar ruglast mælendur oftast.

Get ég breytt MP3 í Word-skjal?

Já. Fljótlegast er að umrita MP3 með nettóli og flytja út sem DOCX, sem opnast beint í Word eða Google Docs. Með Microsoft 365 geturðu einnig hlaðið MP3 upp í Word í gegnum Home, Dictate, Transcribe, Upload audio og síðan valið Add all to document. Microsoft 365-áskrift inniheldur allt að 300 mínútur af upphlöðnu hljóði á mánuði.

Get ég búið til skjátexta úr MP3 í stað uppskriftar?

Já. Flyttu uppskriftina út sem SRT eða VTT í stað DOCX eða TXT. Bæði snið varðveita tímasetningu hverrar línu svo spilari eða ritill sýni textann á réttum tíma. Með whispertranscribe.ai geturðu flutt út SRT eða VTT eftir umritun eða notað MP3 to SRT converter. Skipanalínutól Whisper getur einnig skrifað SRT- og VTT-skrár með útflutningssniðsvalkosti.


Tilbúin(n) að prófa? Hladdu skrá í MP3 to text converter whispertranscribe.ai eða notaðu ókeypis hljóð-í-texta breyti fyrir önnur snið. Bæði virka á 130+ tungumálum með merkingum mælenda og DOCX, PDF, TXT, CSV, SRT og VTT útflutningi.

Heimildir

Viltu breyta upptökunum þínum í texta?

Breyttu hljóði og myndskeiðum í texta með whispertranscribe.ai.

Hefja umritun ↗