Dening Tim Redaksi whispertranscribe.ai · Dianyari pungkasan: November 2026 · Wektu maca 12 menit
Kanggo transkripsi MP3 dadi teks, lebokna berkas ing piranti transkripsi AI, pilih basa sing diomongake, lan ekspor asil minangka DOCX, TXT, utawa SRT. Sampeyan uga bisa nggunakake Transcribe Microsoft Word, ngetik dhewe, utawa mbukak model Whisper gratis saka OpenAI ing komputer dhewe. Cara apa wae sing dipilih, kualitas MP3 mbatesi asil.
Ing ngisor iki: papat cara langkah demi langkah, cara maca bitrate lan sample rate berkas, dhaptar kualitas swara, tips kanggo berkas dawa lan akeh penutur, lan rutinitas mriksa telung tahap.
Jawaban cepet: cara transkripsi MP3 dadi teks
Kanggo akeh wong, piranti online paling cepet: nampa MP3 apa anane, menehi label penutur, lan ngasilake berkas sing bisa disunting. Gunakake Word yen wis mbayar Microsoft 365, tik potongan cekak kanthi manual, lan jalanke Whisper lokal yen swara ora kena metu saka piranti.
- Priksa berkas. Puter 30 detik kanggo mesthekake swarane cetha.
- Unggah lan setel pilihan. Pilih basa sing diomongake lan aktifake deteksi penutur yen luwih saka siji wong ngomong.
- Priksa lan ekspor. Benerake jeneng lan angka, banjur undhuh DOCX utawa TXT kanggo dokumen, SRT utawa VTT kanggo subtitle.
Cara endi sing kudu digunakake?
Pilih adhedhasar akeh swara, apa butuh label penutur, lan menyang endi swara diidini dikirim. Rincian Microsoft dipriksa November 2026.
| Cara | Biaya | Label penutur | Swara menyang endi | Paling cocog kanggo |
|---|---|---|---|---|
| 1. Piranti transkripsi online | Akeh sing bisa diwiwiti gratis, paket mbayar kanggo volume | Ya, ing akeh piranti | Server panyedhiya | Wawancara, podcast, kuliah, kerja rutin |
| 2. Microsoft Word Transcribe | Kalebu Microsoft 365, nganti 300 menit unggahan saben sasi | Ya (Speaker 1, Speaker 2) | Server Microsoft, berkas disimpen ing OneDrive | Berkas sok-sok yen wis nggunakake Word |
| 3. Transkripsi manual | Gratis, nanging butuh wektu pirang-pirang jam | Sampeyan nambah | Tetep ing piranti | Potongan cekak, kutipan sing kudu pas |
| 4. Whisper ing komputer | Gratis, sumber terbuka | Ora ana ing piranti resmi | Tetep ing piranti | Swara pribadi, pangguna teknis, kumpulan berkas |
Sadurunge miwiti: priksa MP3 sajrone 60 detik
MP3 format lossy. Deskripsi format Library of Congress nerangake yen format iki mbuwang swara sing luwih sithik kemungkinan dirungokake wong, lan MP3 128 kbit/s kira-kira siji saka sewelas ukuran swara kualitas CD. Detail sing ilang ora bisa dibalekake, mula kenalna berkas sampeyan.
Ing Windows, bukak Properties → Details; ing Mac, Get Info. Yen FFmpeg wis diinstal, prentah iki nuduhake codec, sample rate, kanal, bitrate, lan durasi:
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
Conto iki ora dijalanke ing karya iki; bisa nuduhake baris kaya sample_rate=44100 lan bit_rate=128000. Cara macane:
| Nilai | Sing diterangake | Tegese kanggo transkripsi |
|---|---|---|
| bit_rate | Pira data saben detik sing isih ana sawise kompresi | Bitrate sithik banget nyisakake detail luwih sithik; ora bisa ditambah maneh |
| sample_rate | Pira kaping swara diukur saben detik | Google nyaranake 16,000 Hz utawa luwih kanggo pangenalan swara |
| channels | Mono (1) utawa stereo (2) | Stereo ora masalah; Whisper nyampur dadi mono nalika mbukak swara |
| duration | Dawa rekaman | Nuduhake apa bakal kena wates dawa utawa menit piranti |
Apa bitrate MP3 mengaruhi akurasi transkripsi?
Bisa. Praktik paling apik pangenalan swara Google Cloud ujar codec lossy kalebu MP3 bisa nyuda akurasi, lan gangguan lan gema luwih ngrusak yen uga ana codec lossy. Ora ana ambang bitrate sing diterbitake, mula anggep minangka siji saka sawetara faktor. Swara cetha cedhak mikrofon luwih penting tinimbang bitrate dhuwur.
Aturan praktis: transkripsikna versi paling apik sing diduweni. Yen WAV utawa FLAC asli isih ana, gunakake. Nyandi maneh berkas 96 kbps dadi 320 kbps utawa nyimpen minangka WAV mung nambah ukuran tanpa mbalekake detail.
Sample rate apa sing dibutuhake pangenalan swara?
Kanggo pangenalan swara, 16 kHz biasane cukup. Kode Whisper sumber terbuka OpenAI mbukak saben berkas liwat FFmpeg, ngowahi dadi mono, lan resample menyang 16,000 Hz sadurunge model ngrungokake (whisper/audio.py ing GitHub). Pandhuan Google uga nyaranake ora resample dhewe. Rekaman telpon 8,000 Hz kudu dikirim apa anane, ora perlu diunggahake.
44.1 kHz utawa 48 kHz ing MP3 umum wis luwih saka cukup. Aja ngowahi sample rate sadurunge unggah.
Dhaptar kualitas swara
Sadurunge karya penting:
- Rungokake wiwitan lan bagean tengah. Apa basane bener lan kabeh keprungu?
- Priksa volume.
ffmpeg -i interview.mp3 -af volumedetect -f null -nuduhake volume rata-rata lan maksimal. Maksimum cedhak 0 dB bisa ateges clipping, lan puncak rusak angel dibalekake. - Aja nyuda gangguan kanthi abot. Pandhuan Google ujar proses nyuda gangguan sadurunge pangenalan biasane nyuda akurasi.
- Dhaptarna jeneng, akronim, lan istilah kanggo mriksa mengko.
- Simpen berkas asli nganti transkrip rampung.
Cara 1: Unggah MP3 menyang piranti transkripsi online
Piranti online cara paling cepet ngowahi MP3 dawa dadi teks sing bisa disunting: model mlaku ing server panyedhiya lan ora perlu instalasi. Langkah ing ngisor iki nggunakake whispertranscribe.ai. whispertranscribe.ai piranti AI web sing ngowahi swara lan video dadi teks ing 130+ basa, nampa unggahan nganti 5 GB lan 10 jam, lan nggunakake model Whisper OpenAI. Piranti liyane padha, nanging menune beda.
Langkah 1: Bukak kaca transkripsi MP3 lan pilih basa
Bukak kaca transkripsi MP3 dadi teks lan ing Step 1, pilih basa sing diomongake. Ana 130+ basa, varian wilayah kaya English (India), lan pilihan Noise / Low-Quality Audio/Video kanggo rekaman kurang apik.
Langkah 2: Unggah MP3
Ing Step 2, seret lan selehake berkas utawa goleki. Berkas bisa nganti 5 GB, lan paket ndhukung rekaman nganti 10 jam. WAV, M4A, FLAC, MP4, lan MOV uga bisa.
Langkah 3: Aktifake Speaker Detection yen perlu
Kanggo wawancara, rapat, lan podcast, uripake Enable Speaker Detection supaya saben giliran diwenehi label.
Langkah 4: Miwiti transkripsi
Klik Transcribe MP3 to text. Akurasi bisa nganti 99% ing swara cetha. Gangguan latar, logat kenthel, lan wong ngomong bebarengan nyuda akurasi, mula rencanakake mriksa.
Langkah 5: Ekspor transkrip
Undhuh DOCX, PDF, TXT, utawa CSV kanggo dokumen lan analisis, utawa SRT lan VTT yen butuh subtitle nganggo wektu. Yen tujuan utama subtitle, konverter MP3 menyang SRT langsung nggawe berkas subtitle.
Sampeyan bisa nyoba gratis tanpa akun sadurunge milih paket. Paket mbayar diwiwiti saka $9.99/sasi kanthi tagihan tahunan; deleng rega. Berkas video gedhe bisa dikurangi dhisik nganggo konverter swara lan video menyang MP3, lan MP3 ing Google Drive utawa Dropbox bisa langsung mlebu Transcribe from URL.
Sing perlu dingerteni: piranti online ngunggah swara menyang server panyedhiya. Kanggo rekaman rahasia, waca kabijakan privasi dhisik, utawa gunakake Cara 3 utawa 4.
Cara 2: Gunakake Transcribe Microsoft Word
Kanthi Microsoft 365, Word bisa ngetranskripsi MP3. Miturut Microsoft Support (dipriksa November 2026), Transcribe nampa .mp3, .wav, .m4a, lan .mp4 lan misahake penutur.
- Mlebu Microsoft 365 lan bukak dokumen ing Word for the web (Microsoft Edge anyar utawa Chrome) utawa Word for Microsoft 365 ing Windows.
- Bukak Home → Dictate (menu) → Transcribe.
- Ing panel Transcribe, pilih Upload audio lan pilih MP3.
- Aja nutup panel nalika proses; Microsoft ujar bisa butuh wektu kira-kira padha karo dawa berkas.
- Priksa: puter bagean apa wae nganti 2x, sunting teks, lan ganti "Speaker 1" ing kabeh panggonan sekaligus.
- Pilih Add all to document kanggo nglebokake transkrip, banjur simpen dadi DOCX.
Watesan: Pangguna Microsoft 365 entuk nganti 300 menit swara sing diunggah saben sasi. Saben dokumen ngemot siji transkrip, lan unggahan disimpen ing folder Transcribed Files ing OneDrive. Microsoft ujar versi desktop Windows saiki winates kanggo tenant komersial. Kaca bantuane ora nyathet ekspor SRT utawa VTT, mula Word luwih cocog kanggo dokumen tinimbang subtitle.
Cara 3: Transkripsi MP3 kanthi manual
Ngetik dhewe gratis lan swara tetep ing piranti, nanging alon. Gunakake kanggo potongan cekak, kutipan sing kudu pas saben tembung, utawa bagean sing salah dening mesin.
- Bukak MP3 ing pamuter sing bisa diperlambat lan mundur nganggo trabasan, karo dokumen kosong ing sisih.
- Setel puteran kira-kira 0.75x lan garap potongan cekak: puter frasa, ngaso, tik, mundur yen perlu.
- Tandhani penutur ing saben giliran, contone
INTERVIEWER:lanMARIA:. Pandhuan W3C babagan transkrip nyathet transkrip podcast bisa awujud paragraf prasaja kanthi penutur diidentifikasi. - Tandhani sing ora keprungu nganggo wektu, kaya
[inaudible 00:14:32], supaya bisa dibaleni. - Priksa pungkasan kanthi kacepetan normal nalika maca kanggo nemokake tembung sing swarane padha nanging salah.
Utawa wenehana piranti nggawe draf lan gunakake rutinitas iki mung ing bagean penting.
Cara 4: Jalanke Whisper ing komputer dhewe
Whisper yaiku model pangenalan swara sumber terbuka OpenAI, dilatih nganggo 680,000 jam swara multibasa miturut makalah riset OpenAI. Mlaku lokal gratis lan ora ana sing diunggah. Sing dibutuhake yaiku persiyapan: Python, FFmpeg, lan sabar ing komputer alon.
Instal kaya sing diterangake ing repositori resmi:
pip install -U openai-whisper
FFmpeg uga kudu diinstal lan ana ing PATH. Banjur transkripsi:
whisper interview.mp3 --model turbo --language English --output_format srt
Gunakake --output_format txt kanggo teks biasa, utawa busak pilihan kasebut kanggo nulis TXT, VTT, SRT, TSV, lan JSON sekaligus. Ing CPU, tambah --fp16 False kanggo ngindhari peringatan. Prentah iki, kalebu panggunaan model tiny, minangka conto referensi lan ora dijalanke ing karya iki.
| Model | Parameter | VRAM kira-kira (miturut OpenAI) | Kacepetan marang large (miturut OpenAI) |
|---|---|---|---|
| tiny | 39 M | kira-kira 1 GB | kira-kira 10x |
| small | 244 M | kira-kira 2 GB | kira-kira 4x |
| medium | 769 M | kira-kira 5 GB | kira-kira 2x |
| turbo (baku) | 809 M | kira-kira 6 GB | kira-kira 8x |
| large | 1550 M | kira-kira 10 GB | 1x |
OpenAI nerangake turbo minangka large-v3 sing dioptimalake kanthi suda akurasi minimal, nanging ora dilatih kanggo terjemahan.
Sing ora kasedhiya: piranti resmi ora duwe label penutur, editor, utawa ekspor DOCX utawa PDF, lan OpenAI nyathet kinerja beda banget miturut basa. Proyek komunitas ngisi sawetara kekurangan, saben-saben nganggo persiyapan dhewe.
Cara nangani MP3 dawa, akeh penutur, lan basa liyane
Rekaman dawa
Priksa wates sadurunge unggah. Paket whispertranscribe.ai ndhukung berkas nganti 10 jam lan 5 GB; jatah Word saben sasi limang jam total. Kanggo piranti kanthi wates luwih cekak, FFmpeg bisa ngethok MP3 dadi bagean siji jam tanpa nyandi maneh:
ffmpeg -i lecture.mp3 -f segment -segment_time 3600 -c copy lecture_part_%03d.mp3
Potongan bisa tiba ing tengah ukara, mula priksa sambungan nalika nggabung teks. Kanggo kelas lan ceramah, deleng transkripsi kuliah.
Sawetara penutur
Aktifake deteksi penutur, banjur ganti label umum sadurunge nuduhake. Label paling gampang salah nalika wong padha nyelani utawa swarane mirip, mula priksa sawetara giliran saben penutur. Ing sesi sabanjure, wenehana mikrofon dhewe kanggo saben wong.
Basa lan logat liyane
Pilih basa tinimbang deteksi otomatis, utamane yen berkas diwiwiti musik. whispertranscribe.ai nawakake Multilingual Mix kanggo rekaman sing ganti antarane Inggris, Spanyol, Prancis, Jerman, Hindi, Rusia, Portugis, Jepang, Italia, lan Walanda. Yen butuh teks Inggris saka MP3 dudu Inggris, gunakake terjemahake swara menyang Inggris tinimbang transkripsi lan terjemahan kapisah.
Cara mriksa transkrip MP3: alur 3 tahap
Draf AI gagal ing papan sing bisa diprediksi, mula jarang perlu ngrungokake kabeh berkas maneh.
Tahap 1: Goleki, aja ngrungokake. Gunakake golek-lan-ganti karo dhaptar jeneng lan istilah kanggo mbenerake kabeh salah eja sekaligus.
Tahap 2: Rungokake bagean rawan. Mlumpata menyang papan iki lan cocogna karo swara:
| Bagean rawan | Kesalahan umum | Cara mriksa |
|---|---|---|
| Angka lan tanggal | "limalas" tinimbang "seket", desimal ilang | Puter maneh saben angka sing arep dikutip |
| Jeneng lan merek | Ditulis miturut swarane | Cocogna karo dhaptar istilah |
| Swara tumpang tindih | Rong ukara digabung utawa siji ilang | Rungokake kacepetan normal, banjur luwih alon |
| Ganti penutur | Baris diwenehake marang wong salah | Priksa baris pisanan sawise saben ganti |
| Swara lirih utawa adoh | Tembung ilang | Banterake volume kanggo bagean kasebut |
| Menit pisanan lan pungkasan | Basa-basi, musik, tebakan basa salah | Busak utawa benerake yen perlu |
Tahap 3: Waca minangka dokumen. Waca sapisan tanpa swara; sing ora masuk akal dirungokake maneh. Tandhani sing isih ora keprungu nganggo [unclear] tinimbang nebak.
Format ekspor apa sing dibutuhake?
Pilih miturut tujuan: dokumen butuh DOCX utawa TXT, sing ditampilake ing video butuh SRT utawa VTT.
| Format | Gunakake kanggo |
|---|---|
| DOCX | Suntingan, laporan, artikel, cathetan acara |
| Salinan tetep kanggo nuduhake utawa arsip | |
| TXT | Nempel ing aplikasi liyane utawa ringkesan AI |
| CSV | Spreadsheet lan analisis riset |
| SRT | Subtitle YouTube, editor video, lan pamuter |
| VTT | Subtitle pamuter video web HTML5 |
Kanggo cathetan swara saka telpon, kaca transkripsi voice memo nerangake pilihan ekspor sing padha.
Pitakon sing kerep ditakokake
Apa aku bisa transkripsi MP3 dadi teks gratis?
Ya. Ngetik dhewe gratis, lan mbukak Whisper sumber terbuka OpenAI ing komputer ora butuh biaya kajaba wektu persiyapan lan piranti. Akeh piranti online uga duwe wiwitan gratis. whispertranscribe.ai nawakake pilihan gratis tanpa akun, migunani kanggo mriksa asil swara sampeyan. Pilihan gratis biasane mbatesi dawa utawa fitur, mula kanggo kerja rutin bandhingna paket mbayar; whispertranscribe.ai diwiwiti saka $9.99/sasi kanthi tagihan tahunan.
Suwene transkripsi berkas MP3?
Kanthi piranti AI, biasane luwih cekak tinimbang dawa swara, nanging gumantung berkas lan layanan. Microsoft ujar Transcribe Word bisa nganti kira-kira dawa berkas. Whisper lokal gumantung piranti lan model; model cilik luwih cepet nanging luwih akeh salah. Ngetik manual butuh wektu kaping pirang-pirang dawa swara, mula akeh wong mung ngetik potongan cekak kanthi manual.
Apa ngowahi MP3 dadi WAV nambah akurasi?
Ora. Nyimpen MP3 dadi WAV utawa nyandi maneh kanthi bitrate luwih dhuwur nggawe berkas luwih gedhe nanging ora mbalekake detail sing ilang nalika MP3 digawe. MP3 format lossy. Yen rekaman WAV utawa FLAC asli isih ana, transkripsikna. Yen ora, unggah MP3 apa anane. Mesin kaya Whisper resample swara menyang 16 kHz mono ing njero, mula ngganti sample rate dhewe uga ora mbantu.
Kepiye transkripsi MP3 kanthi akeh penutur?
Gunakake piranti kanthi deteksi penutur lan uripake sadurunge miwiti. Transkrip menehi label nomer kaya Speaker 1 kanggo saben giliran, banjur sampeyan ngganti dadi jeneng asli. Microsoft Word Transcribe lan whispertranscribe.ai loro-lorone menehi label; piranti command-line Whisper resmi ora. Priksa label nalika wong padha nyelani amarga ing kono penutur kerep ketuker.
Apa aku bisa ngowahi MP3 dadi dokumen Word?
Ya. Cara paling cepet yaiku transkripsi MP3 nganggo piranti online lan ekspor dadi DOCX sing langsung mbukak ing Word utawa Google Docs. Yen duwe Microsoft 365, sampeyan uga bisa unggah MP3 ing Word liwat Home, Dictate, Transcribe, Upload audio, banjur pilih Add all to document. Langganan Microsoft 365 kalebu nganti 300 menit swara sing diunggah saben sasi.
Apa MP3 bisa dadi subtitle tinimbang transkrip?
Ya. Ekspor transkrip minangka SRT utawa VTT tinimbang DOCX utawa TXT. Loro format nyimpen wektu saben baris supaya pamuter utawa editor video bisa nuduhake teks ing wektu sing pas. Kanthi whispertranscribe.ai sampeyan bisa ekspor SRT utawa VTT sawise transkripsi, utawa gunakake konverter MP3 menyang SRT. Piranti command-line Whisper uga bisa nulis SRT lan VTT nganggo pilihan format output.
Siap nyoba? Unggah berkas menyang konverter MP3 dadi teks whispertranscribe.ai, utawa gunakake konverter swara dadi teks gratis kanggo format liyane. Loro-lorone bisa ing 130+ basa, kanthi label penutur lan ekspor DOCX, PDF, TXT, CSV, SRT, lan VTT.
Referensi
- Library of Congress: MP3 (MPEG Layer III Audio Encoding)
- Google Cloud: Praktik paling apik kanggo menehi data menyang Speech-to-Text API
- Microsoft Support: Transkripsikna rekaman sampeyan
- OpenAI: Whisper ing GitHub (README lan
whisper/audio.py) - Radford lan kanca-kanca, OpenAI: Robust Speech Recognition via Large-Scale Weak Supervision
- W3C Web Accessibility Initiative: Transkrip
