Kaip transkribuoti MP3 į tekstą: 4 būdų palyginimas

whispertranscribe.ai redakcija · Atnaujinta 2026 m. lapkritį · Skaitymo trukmė: 12 min.

Norėdami transkribuoti MP3 į tekstą, įkelkite failą į AI transkribavimo įrankį, pasirinkite kalbamą kalbą ir eksportuokite rezultatą kaip DOCX, TXT arba SRT. Taip pat galite naudoti Microsoft Word Transcribe, rašyti patys arba paleisti nemokamą OpenAI Whisper modelį savo kompiuteryje. Kad ir ką pasirinktumėte, MP3 kokybė riboja galutinį rezultatą.

Toliau — visi keturi būdai žingsnis po žingsnio, failo bitų spartos ir diskretizavimo dažnio supratimas, garso kontrolinis sąrašas, patarimai ilgiems failams ir keliems kalbėtojams bei trijų peržiūrų tikrinimo rutina.

Trumpas atsakymas: kaip transkribuoti MP3 į tekstą

Daugumai greičiausias internetinis įrankis: jis priima MP3 tokį, koks yra, pažymi kalbėtojus ir grąžina redaguojamą failą. Word naudokite, jei jau mokate už Microsoft 365, trumpus klipus rašykite ranka, o Whisper paleiskite lokaliai, kai garsas negali palikti kompiuterio.

  1. Patikrinkite failą. Perklausykite 30 sekundžių ir įsitikinkite, kad balsai aiškūs.
  2. Įkelkite ir pasirinkite parinktis. Pasirinkite kalbamą kalbą ir įjunkite kalbėtojų atpažinimą, jei kalba daugiau nei vienas žmogus.
  3. Patikrinkite ir eksportuokite. Ištaisykite vardus ir skaičius, tada atsisiųskite DOCX ar TXT dokumentams, SRT ar VTT subtitrams.

Kurį būdą rinktis?

Rinkitės pagal garso kiekį, kalbėtojų žymų poreikį ir kur garsas gali keliauti. „Microsoft“ informacija patikrinta 2026 m. lapkritį.

Būdas Kaina Kalbėtojų žymos Kur keliauja garsas Geriausiai tinka
1. Internetinis transkribavimo įrankis Daugelis leidžia pradėti nemokamai, didesniam kiekiui mokami planai Taip, daugumoje įrankių Paslaugos serveriuose Interviu, tinklalaidėms, paskaitoms, reguliariam darbui
2. Microsoft Word Transcribe Įtraukta į Microsoft 365, iki 300 įkeltų minučių per mėnesį Taip (Speaker 1, Speaker 2) „Microsoft“ serveriuose, failas lieka jūsų OneDrive Retiems failams, jei jau naudojate Word
3. Rankinis transkribavimas Nemokamas, bet užtrunka valandas Pridedate patys Lieka įrenginyje Trumpiems klipams, tikslioms citatoms
4. Whisper savo kompiuteryje Nemokamas, atvirasis kodas Oficialiame įrankyje nėra Lieka įrenginyje Privačiam garsui, techniniams naudotojams, failų rinkiniams

Prieš pradėdami: patikrinkite MP3 per 60 sekundžių

MP3 yra nuostolingas formatas. Library of Congress formato apraše paaiškinta, kad jis pašalina garsus, kurių žmonės mažiau linkę girdėti, o 128 kbit/s MP3 yra maždaug vienuoliktoji CD kokybės garso dydžio dalis. Prarastų detalių atkurti negalima, todėl sužinokite, su kuo dirbate.

Windows atidarykite Properties → Details; Mac — Get Info. Įdiegus FFmpeg ši komanda parodo kodeką, diskretizavimo dažnį, kanalus, bitų spartą ir trukmę:

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

Šis pavyzdys atliekant šį darbą nebuvo paleistas; jis gali parodyti tokias eilutes kaip sample_rate=44100 ir bit_rate=128000. Kaip jas suprasti:

Reikšmė Ką parodo Ką reiškia transkribavimui
bit_rate Kiek duomenų per sekundę liko po glaudinimo Labai maža bitų sparta palieka mažiau detalių; jų atkurti negalima
sample_rate Kiek kartų per sekundę matuotas garsas „Google“ kalbos atpažinimui rekomenduoja 16,000 Hz ar daugiau
channels Mono (1) arba stereo (2) Stereo tinka; Whisper įkeldamas sumaišo į mono
duration Įrašo trukmė Parodo, ar pasieksite įrankio trukmės ar minučių ribą

Ar MP3 bitų sparta veikia transkribavimo tikslumą?

Gali veikti. Google Cloud kalbos atpažinimo gerosios praktikos nurodo, kad nuostolingi kodekai, įskaitant MP3, gali mažinti tikslumą, o triukšmas ir aidas dar labiau kenkia naudojant nuostolingą kodeką. Paskelbto bitų spartos slenksčio nėra, todėl laikykite ją vienu iš kelių veiksnių. Aiškus balsas arti mikrofono svarbesnis už didelę bitų spartą.

Praktinė taisyklė: transkribuokite geriausią turimą versiją. Jei originalus WAV ar FLAC dar yra, naudokite jį. Pakartotinai koduojant 96 kbps failą 320 kbps arba išsaugant WAV failas padidėja, bet detalės negrįžta.

Kokio diskretizavimo dažnio reikia kalbos atpažinimui?

Kalbos atpažinimui paprastai pakanka 16 kHz. OpenAI atvirojo kodo Whisper kiekvieną failą įkelia per FFmpeg, paverčia mono ir iš naujo diskretizuoja iki 16,000 Hz prieš perduodamas modeliui (whisper/audio.py GitHub). „Google“ vadovas taip pat pataria nekeisti dažnio patiems. 8,000 Hz telefono įrašą reikia siųsti tokį, koks yra, nedidinant dažnio.

Įprasto MP3 44.1 kHz ar 48 kHz daugiau nei pakanka. Prieš įkeldami dažnio nekeiskite.

Garso kokybės kontrolinis sąrašas

Prieš svarbų darbą:

  • Perklausykite pradžią ir vidurį. Ar kalba teisinga ir visi girdimi?
  • Patikrinkite garsumą. ffmpeg -i interview.mp3 -af volumedetect -f null - parodo vidutinį ir maksimalų garsumą. Maksimumas arti 0 dB gali reikšti signalo nukirpimą, o iškraipytas viršūnes sunku atkurti.
  • Venkite stipraus triukšmo mažinimo. „Google“ vadovas nurodo, kad triukšmo mažinimas prieš atpažinimą paprastai mažina tikslumą.
  • Surašykite vardus, akronimus ir terminus vėlesnei patikrai.
  • Saugokite originalų failą, kol transkriptas bus galutinis.

1 būdas: įkelkite MP3 į internetinį transkribavimo įrankį

Internetiniai įrankiai yra greičiausias būdas ilgą MP3 paversti redaguojamu tekstu: modelis veikia paslaugos serveriuose ir nieko nereikia diegti. Toliau naudojamas whispertranscribe.ai. whispertranscribe.ai yra internetinis AI įrankis, paverčiantis garsą ir vaizdą tekstu 130+ kalbų, priimantis failus iki 5 GB ir 10 valandų bei naudojantis OpenAI Whisper modelį. Kiti įrankiai veikia panašiai, bet meniu skiriasi.

1 veiksmas: atidarykite MP3 transkribavimo puslapį ir pasirinkite kalbą

Atidarykite MP3 transkribavimo į tekstą puslapį ir skiltyje Step 1 pasirinkite kalbamą kalbą. Yra 130+ kalbų, regioninių variantų kaip English (India) ir Noise / Low-Quality Audio/Video parinkčių prastiems įrašams.

2 veiksmas: įkelkite MP3

Skiltyje Step 2 nutempkite failą arba raskite jį. Failai gali būti iki 5 GB, o planai palaiko įrašus iki 10 valandų. Tinka ir WAV, M4A, FLAC, MP4 bei MOV.

3 veiksmas: jei reikia, įjunkite Speaker Detection

Interviu, susitikimams ir tinklalaidėms įjunkite Enable Speaker Detection, kad kiekviena kalbėjimo atkarpa būtų pažymėta.

4 veiksmas: pradėkite transkribavimą

Spustelėkite Transcribe MP3 to text. Aiškiame garse tikslumas gali siekti 99%. Foninis triukšmas, stiprūs akcentai ir vienu metu kalbantys žmonės jį mažina, todėl suplanuokite peržiūrą.

5 veiksmas: eksportuokite transkriptą

Atsisiųskite DOCX, PDF, TXT arba CSV dokumentams ir analizei, arba SRT ir VTT subtitrams su laiko žymomis. Jei subtitrai yra tikslas nuo pradžių, MP3 į SRT keitiklis iš karto sukuria subtitrų failą.

Prieš pasirinkdami planą galite išbandyti nemokamai be paskyros. Mokami planai prasideda nuo $9.99 per mėnesį mokant už metus; žr. kainas. Didelį vaizdo failą galima pirmiausia sumažinti garso ir vaizdo į MP3 keitikliu, o Google Drive ar Dropbox esantį MP3 tiesiogiai įvesti į Transcribe from URL.

Svarbu žinoti: internetiniai įrankiai įkelia garsą į paslaugos serverius. Konfidencialiems įrašams pirmiausia perskaitykite privatumo politiką arba naudokite 3 ar 4 būdą.

2 būdas: naudokite Microsoft Word Transcribe

Turėdamas Microsoft 365, Word gali transkribuoti MP3. Pasak Microsoft Support (patikrinta 2026 m. lapkritį), Transcribe priima .mp3, .wav, .m4a ir .mp4 failus bei atskiria kalbėtojus.

  1. Prisijunkite prie Microsoft 365 ir atidarykite dokumentą Word for the web (naujasis Microsoft Edge ar Chrome) arba Word for Microsoft 365 Windows sistemoje.
  2. Pasirinkite Home → Dictate (išskleidžiamasis meniu) → Transcribe.
  3. Transcribe skydelyje pasirinkite Upload audio ir MP3.
  4. Palikite skydelį atidarytą; „Microsoft“ teigia, kad procesas gali trukti maždaug tiek, kiek failas.
  5. Patikrinkite: leiskite bet kurią dalį iki 2x greičiu, redaguokite tekstą ir pervadinkite „Speaker 1“ visur iš karto.
  6. Pasirinkite Add all to document, kad įterptumėte transkriptą, tada išsaugokite DOCX.

Ribos: Microsoft 365 naudotojai per mėnesį gauna iki 300 minučių įkelto garso. Kiekviename dokumente yra vienas transkriptas, o įkėlimai saugomi OneDrive aplanke Transcribed Files. „Microsoft“ nurodo, kad Windows kompiuterio versija šiuo metu skirta tik komercinėms organizacijoms. Pagalbos puslapyje SRT ar VTT eksportas neminimas, todėl Word labiau tinka dokumentams nei subtitrams.

3 būdas: transkribuokite MP3 ranka

Rašyti patiems nemokama ir garsas lieka įrenginyje, bet tai lėta. Naudokite trumpiems klipams, žodis po žodžio tikslioms citatoms ar vietoms, kurias mašina suprato neteisingai.

  1. Atidarykite MP3 grotuve, leidžiančiame sulėtinti atkūrimą ir grįžti sparčiuoju klavišu, šalia atsidarę tuščią dokumentą.
  2. Nustatykite maždaug 0.75x greitį ir dirbkite trumpomis atkarpomis: paleiskite frazę, pristabdykite, rašykite, prireikus atsukite.
  3. Pažymėkite kalbėtojus kiekviename pasisakyme, pavyzdžiui, INTERVIEWER: ir MARIA:. W3C transkriptų gairėse pažymima, kad tinklalaidės transkriptas gali būti paprastos pastraipos su nurodytais kalbėtojais.
  4. Negirdimas vietas pažymėkite laiko žyma, pavyzdžiui, [inaudible 00:14:32], kad galėtumėte grįžti.
  5. Paskutinį kartą peržiūrėkite įprastu greičiu, skaitydami kartu ir ieškodami supainiotų panašiai skambančių žodžių.

Arba leiskite įrankiui sukurti juodraštį ir šią rutiną taikykite tik svarbiose vietose.

4 būdas: paleiskite Whisper savo kompiuteryje

Whisper yra OpenAI atvirojo kodo kalbos atpažinimo modelis, mokytas su 680,000 valandų daugiakalbio garso pagal OpenAI tyrimą. Paleisti lokaliai nemokama ir niekas neįkeliama. Tačiau reikia pasiruošimo: Python, FFmpeg ir kantrybės lėtesniuose kompiuteriuose.

Įdiekite pagal oficialią saugyklą:

pip install -U openai-whisper

FFmpeg taip pat turi būti įdiegtas ir pasiekiamas PATH. Tada transkribuokite:

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

Paprastam tekstui naudokite --output_format txt arba praleiskite parametrą, kad vienu metu sukurtumėte TXT, VTT, SRT, TSV ir JSON. CPU atveju pridėkite --fp16 False, kad išvengtumėte įspėjimo. Šios komandos, įskaitant modelio tiny naudojimą, yra pavyzdžiai ir atliekant šį darbą nebuvo paleistos.

Modelis Parametrai Apytikslė VRAM (pagal OpenAI) Greitis prieš large (pagal OpenAI)
tiny 39 M apie 1 GB apie 10x
small 244 M apie 2 GB apie 4x
medium 769 M apie 5 GB apie 2x
turbo (numatytasis) 809 M apie 6 GB apie 8x
large 1550 M apie 10 GB 1x

OpenAI apibūdina turbo kaip optimizuotą large-v3 su minimaliu tikslumo sumažėjimu, bet jis nemokytas vertimui.

Ko atsisakote: oficialus įrankis neturi kalbėtojų žymėjimo, redaktoriaus ar DOCX ir PDF eksporto, o OpenAI pažymi, kad veikimas labai skiriasi pagal kalbą. Kai kurias spragas užpildo bendruomenės projektai, kiekvienam reikia atskiro parengimo.

Kaip tvarkyti ilgus MP3, kelis kalbėtojus ir kitas kalbas

Ilgi įrašai

Prieš įkeldami patikrinkite ribą. whispertranscribe.ai planai palaiko failus iki 10 valandų ir 5 GB; Word mėnesio limitas iš viso penkios valandos. Įrankiui su trumpesne riba FFmpeg gali padalyti MP3 į vienos valandos dalis be pakartotinio kodavimo:

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

Pjūvis gali būti sakinio viduryje, todėl jungdami tekstą patikrinkite sandūras. Paskaitoms žr. paskaitų transkribavimą.

Keli kalbėtojai

Įjunkite kalbėtojų atpažinimą ir prieš dalydamiesi pervadinkite bendras žymas. Žymos dažniausiai klysta, kai žmonės pertraukia vieni kitus ar jų balsai panašūs, todėl patikrinkite kelias kiekvieno kalbėtojo atkarpas. Kitai sesijai kiekvienam skirkite po mikrofoną.

Kitos kalbos ir akcentai

Pasirinkite kalbą užuot naudoję automatinį atpažinimą, ypač jei failas prasideda muzika. whispertranscribe.ai siūlo Multilingual Mix įrašams, kuriuose keičiama anglų, ispanų, prancūzų, vokiečių, hindi, rusų, portugalų, japonų, italų ir olandų kalba. Jei iš ne angliško MP3 reikia angliško teksto, naudokite garso vertimą į anglų kalbą, o ne atskirą transkribavimą ir vertimą.

Kaip patikrinti MP3 transkriptą: 3 peržiūros

AI juodraščiai klysta nuspėjamose vietose, todėl retai reikia perklausyti visą failą.

1 peržiūra: ieškokite, neklausykite. Naudokite paiešką ir keitimą su vardų ir terminų sąrašu, kad iškart ištaisytumėte rašybą.

2 peržiūra: perklausykite problemines vietas. Pereikite prie jų ir palyginkite su garsu:

Vieta Tipinė klaida Kaip patikrinti
Skaičiai ir datos „penkiolika“ vietoj „penkiasdešimt“, praleisti dešimtainiai skaičiai Dar kartą paleiskite kiekvieną cituojamą skaičių
Vardai ir prekės ženklai Parašyti pagal skambesį Palyginkite su terminų sąrašu
Persidengianti kalba Sujungti du sakiniai arba vienas praleistas Klausykite įprastu, tada mažesniu greičiu
Kalbėtojų pasikeitimas Eilutė priskirta netinkamam žmogui Patikrinkite pirmą eilutę po kiekvieno pasikeitimo
Tylūs ar tolimi balsai Trūksta žodžių Padidinkite tos dalies garsumą
Pirmos ir paskutinės minutės Pašnekesiai, muzika, netinkamai nustatyta kalba Jei reikia, pašalinkite arba pataisykite

3 peržiūra: perskaitykite kaip dokumentą. Perskaitykite kartą be garso; nesuprantamas vietas perklausykite. Vis dar negirdimas pažymėkite [unclear], o ne spėliokite.

Kokio eksporto formato reikia?

Rinkitės pagal tolesnį naudojimą: dokumentams reikia DOCX ar TXT, tekstui vaizde — SRT ar VTT.

Formatas Naudojimas
DOCX Redagavimui, ataskaitoms, straipsniams, laidos aprašams
PDF Nekeičiamai kopijai bendrinti ar archyvuoti
TXT Įklijuoti į kitas programas ar AI santraukas
CSV Skaičiuoklėms ir tyrimų analizei
SRT Subtitrams YouTube, vaizdo redaktoriams ir grotuvams
VTT Subtitrams HTML5 interneto vaizdo grotuvuose

Telefono balso užrašams balso įrašų transkribavimo puslapis aprašo tas pačias eksporto galimybes.

Dažniausi klausimai

Ar galiu MP3 transkribuoti į tekstą nemokamai?

Taip. Rašyti patiems nemokama, o OpenAI atvirojo kodo Whisper paleidimas savo kompiuteryje nieko nekainuoja, išskyrus parengimo laiką ir aparatinę įrangą. Daugelis internetinių įrankių taip pat leidžia pradėti nemokamai. whispertranscribe.ai siūlo nemokamą parinktį be paskyros, kuri padeda patikrinti garso rezultatą. Nemokami variantai paprastai riboja trukmę ar funkcijas, todėl reguliariam darbui palyginkite mokamus planus; whispertranscribe.ai prasideda nuo $9.99 per mėnesį mokant už metus.

Kiek laiko trunka MP3 failo transkribavimas?

AI įrankiu paprastai gerokai mažiau nei garso trukmė, nors priklauso nuo failo ir paslaugos. „Microsoft“ sako, kad Word Transcribe gali trukti maždaug tiek, kiek failas. Lokaliojo Whisper trukmė priklauso nuo įrangos ir modelio; mažesni modeliai greitesni, bet dažniau klysta. Rašymas ranka trunka kelis kartus ilgiau nei garsas, todėl dauguma rankiniu būdu transkribuoja tik trumpus klipus.

Ar MP3 konvertavimas į WAV pagerina tikslumą?

Ne. Išsaugojus MP3 kaip WAV ar pakartotinai kodavus didesne bitų sparta, failas padidėja, bet kuriant MP3 pašalintos detalės negrįžta. MP3 yra nuostolingas formatas. Jei originalus WAV ar FLAC dar yra, transkribuokite jį. Kitu atveju įkelkite MP3 tokį, koks yra. Tokios sistemos kaip Whisper viduje keičia garsą į 16 kHz mono, todėl keisti dažnį patiems nepadeda.

Kaip transkribuoti MP3 su keliais kalbėtojais?

Naudokite įrankį su kalbėtojų atpažinimu ir įjunkite prieš pradėdami. Transkripte kiekvienai atkarpai suteikiama numeruota žyma, pavyzdžiui, Speaker 1, kurią vėliau pakeičiate tikru vardu. Microsoft Word Transcribe ir whispertranscribe.ai žymi kalbėtojus; oficialus Whisper komandų eilutės įrankis to nedaro. Patikrinkite žymas, kur žmonės pertraukia vieni kitus, nes ten jos dažniausiai supainiojamos.

Ar galiu MP3 paversti Word dokumentu?

Taip. Greičiausia MP3 transkribuoti internetiniu įrankiu ir eksportuoti DOCX, kuris atsidaro Word ar Google Docs. Jei turite Microsoft 365, galite įkelti MP3 Word per Home, Dictate, Transcribe, Upload audio, tada pasirinkti Add all to document. Microsoft 365 prenumerata apima iki 300 minučių įkelto garso per mėnesį.

Ar galiu MP3 paversti subtitrais, o ne transkriptu?

Taip. Eksportuokite transkriptą kaip SRT ar VTT, o ne DOCX ar TXT. Abu formatai išlaiko kiekvienos eilutės laiką, todėl vaizdo grotuvas ar redaktorius parodo tekstą tinkamu metu. whispertranscribe.ai leidžia eksportuoti SRT ar VTT po transkribavimo arba naudoti MP3 į SRT keitiklį. Whisper komandų eilutės įrankis taip pat gali sukurti SRT ir VTT su išvesties formato parinktimi.


Pasirengę išbandyti? Įkelkite failą į whispertranscribe.ai MP3 į teksto keitiklį arba naudokite nemokamą garso į teksto keitiklį kitiems formatams. Abu veikia 130+ kalbų, turi kalbėtojų žymas ir DOCX, PDF, TXT, CSV, SRT ir VTT eksportą.

Šaltiniai

Norite paversti savo įrašus tekstu?

Transkribuokite garso ir vaizdo įrašus naudodami whispertranscribe.ai.

Pradėti transkribuoti ↗