whispertranscribe.ai redakcija · Pēdējoreiz atjaunināts: 2026. gada novembrī · Lasīšanas laiks: 12 minūtes
Lai transkribētu MP3 tekstā, ievietojiet failu AI transkribēšanas rīkā, izvēlieties runāto valodu un eksportējiet rezultātu kā DOCX, TXT vai SRT. Varat izmantot arī Microsoft Word Transcribe, rakstīt pats vai palaist OpenAI bezmaksas Whisper modeli savā datorā. Neatkarīgi no izvēles MP3 kvalitāte nosaka rezultāta iespējamo līmeni.
Tālāk: visas četras metodes soli pa solim, faila bitu un diskretizācijas frekvences pārbaude, audio kontrolsaraksts, padomi gariem failiem un vairākiem runātājiem un trīs posmu pārskatīšana.
Īsā atbilde: kā transkribēt MP3 tekstā
Vairumam ātrākais ir tiešsaistes rīks: tas pieņem MP3 esošajā formā, apzīmē runātājus un atgriež rediģējamu failu. Izmantojiet Word, ja jau maksājat par Microsoft 365, īsus klipus rakstiet manuāli, bet Whisper palaidiet lokāli, ja audio nedrīkst atstāt datoru.
- Pārbaudiet failu. Atskaņojiet 30 sekundes, lai pārliecinātos, ka balsis ir skaidras.
- Augšupielādējiet un izvēlieties iestatījumus. Izvēlieties runāto valodu un ieslēdziet runātāju noteikšanu, ja runā vairāk nekā viens cilvēks.
- Pārbaudiet un eksportējiet. Izlabojiet vārdus un skaitļus, tad lejupielādējiet DOCX vai TXT dokumentiem, SRT vai VTT subtitriem.
Kuru metodi izvēlēties?
Izvēlieties pēc audio daudzuma, runātāju apzīmējumu nepieciešamības un tā, kur audio drīkst nonākt. Microsoft informācija pārbaudīta 2026. gada novembrī.
| Metode | Izmaksas | Runātāju apzīmējumi | Kur nonāk audio | Piemērotākā izmantošana |
|---|---|---|---|---|
| 1. Tiešsaistes transkribēšanas rīks | Daudzi piedāvā bezmaksas sākumu, maksas plāni lielākam apjomam | Jā, vairumā rīku | Pakalpojuma sniedzēja serveros | Intervijas, podkāsti, lekcijas, regulārs darbs |
| 2. Microsoft Word Transcribe | Iekļauts Microsoft 365, līdz 300 augšupielādētām minūtēm mēnesī | Jā (Speaker 1, Speaker 2) | Microsoft serveros, fails glabājas OneDrive | Atsevišķi faili, ja jau lietojat Word |
| 3. Manuāla transkribēšana | Bezmaksas, bet aizņem stundas | Jāpievieno pašam | Paliek ierīcē | Īsi klipi, citāti, kam jābūt precīziem |
| 4. Whisper savā datorā | Bezmaksas, atvērtais pirmkods | Oficiālajā rīkā nav | Paliek ierīcē | Privāts audio, tehniski lietotāji, failu kopas |
Pirms sākšanas: pārbaudiet MP3 60 sekundēs
MP3 ir formāts ar kvalitātes zudumu. Library of Congress formāta aprakstā skaidrots, ka tas izmet skaņas, kuras cilvēki retāk sadzird, un 128 kbit/s MP3 ir aptuveni vienpadsmitā daļa no CD kvalitātes audio izmēra. Zaudētās detaļas nevar atjaunot, tāpēc noskaidrojiet, ar ko strādājat.
Windows atveriet Properties → Details; Mac ierīcē — Get Info. Ja instalēts FFmpeg, šī komanda parāda kodeku, diskretizācijas frekvenci, kanālus, bitu ātrumu un ilgumu:
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 piemērs šī darba laikā nav izpildīts; tas var parādīt rindas, piemēram, sample_rate=44100 un bit_rate=128000. Kā tās lasīt:
| Vērtība | Ko tā parāda | Nozīme transkribēšanai |
|---|---|---|
| bit_rate | Cik datu sekundē palicis pēc saspiešanas | Ļoti mazs bitu ātrums atstāj mazāk detaļu; tās nevar atjaunot |
| sample_rate | Cik reižu sekundē skaņa mērīta | Google runas atpazīšanai iesaka 16,000 Hz vai vairāk |
| channels | Mono (1) vai stereo (2) | Stereo ir piemērots; Whisper ielādējot sajauc mono |
| duration | Ieraksta ilgums | Parāda, vai sasniegsiet rīka garuma vai minūšu limitu |
Vai MP3 bitu ātrums ietekmē transkribēšanas precizitāti?
Var ietekmēt. Google Cloud runas atpazīšanas labā prakse norāda, ka kodeki ar zudumu, tostarp MP3, var samazināt precizitāti un troksnis un atbalss vairāk kaitē kopā ar šādu kodeku. Publicēta bitu ātruma sliekšņa nav, tāpēc tas ir viens no vairākiem faktoriem. Skaidra balss tuvu mikrofonam ir svarīgāka par lielu bitu ātrumu.
Praktiskais noteikums: transkribējiet labāko pieejamo versiju. Ja oriģinālais WAV vai FLAC vēl ir, izmantojiet to. Atkārtoti kodējot 96 kbps failu ar 320 kbps vai saglabājot WAV, fails kļūst lielāks, bet detaļas neatjaunojas.
Kāda diskretizācijas frekvence vajadzīga runas atpazīšanai?
Runas atpazīšanai parasti pietiek ar 16 kHz. OpenAI atvērtā pirmkoda Whisper ielādē katru failu caur FFmpeg, pārvērš mono un pārveido līdz 16,000 Hz pirms modelis to saņem (whisper/audio.py GitHub). Arī Google neiesaka frekvenci pārveidot pašam. Tālruņa ieraksts ar 8,000 Hz jānosūta tāds, kāds ir, nepalielinot frekvenci.
Tipiskā MP3 44.1 kHz vai 48 kHz ir vairāk nekā pietiekami. Pirms augšupielādes frekvenci nemainiet.
Audio kvalitātes kontrolsaraksts
Pirms svarīga darba:
- Noklausieties sākumu un vidusdaļu. Vai valoda ir pareiza un visi dzirdami?
- Pārbaudiet skaļumu.
ffmpeg -i interview.mp3 -af volumedetect -f null -parāda vidējo un maksimālo skaļumu. Maksimums tuvu 0 dB var norādīt uz apgriešanu, un izkropļotas virsotnes grūti atjaunot. - Izvairieties no spēcīgas trokšņu samazināšanas. Google norāda, ka trokšņa samazināšana pirms atpazīšanas parasti samazina precizitāti.
- Sastādiet vārdu, akronīmu un terminu sarakstu vēlākai pārbaudei.
- Saglabājiet oriģinālo failu, līdz transkripts ir pabeigts.
1. metode: augšupielādējiet MP3 tiešsaistes transkribēšanas rīkā
Tiešsaistes rīki ir ātrākais veids, kā garu MP3 pārvērst rediģējamā tekstā: modelis darbojas pakalpojuma sniedzēja serveros, un nekas nav jāinstalē. Tālāk izmantots whispertranscribe.ai. whispertranscribe.ai ir tīmekļa AI rīks, kas pārvērš audio un video tekstā 130+ valodās, pieņem failus līdz 5 GB un 10 stundām un izmanto OpenAI Whisper modeli. Citi rīki darbojas līdzīgi, bet izvēlnes atšķiras.
1. solis: atveriet MP3 transkribēšanas lapu un izvēlieties valodu
Atveriet MP3 pārvēršanas tekstā lapu un sadaļā Step 1 izvēlieties runāto valodu. Ir 130+ valodas, reģionāli varianti, piemēram, English (India), un Noise / Low-Quality Audio/Video izvēles sliktiem ierakstiem.
2. solis: augšupielādējiet MP3
Sadaļā Step 2 ievelciet failu vai atrodiet to. Faili var būt līdz 5 GB, un plāni atbalsta ierakstus līdz 10 stundām. Der arī WAV, M4A, FLAC, MP4 un MOV.
3. solis: ja vajadzīgs, ieslēdziet Speaker Detection
Intervijām, sanāksmēm un podkāstiem ieslēdziet Enable Speaker Detection, lai katrs runas posms būtu apzīmēts.
4. solis: sāciet transkribēšanu
Noklikšķiniet Transcribe MP3 to text. Skaidrā audio precizitāte var sasniegt 99%. Fona troksnis, spēcīgi akcenti un cilvēki, kas runā vienlaikus, to samazina, tāpēc plānojiet pārbaudi.
5. solis: eksportējiet transkriptu
Lejupielādējiet DOCX, PDF, TXT vai CSV dokumentiem un analīzei vai SRT un VTT, ja vajadzīgi subtitri ar laiku. Ja mērķis jau sākumā ir subtitri, MP3 uz SRT pārveidotājs uzreiz izveido subtitru failu.
Pirms plāna izvēles varat izmēģināt bez maksas un bez konta. Maksas plāni sākas no $9.99 mēnesī ar gada maksājumu; skatiet cenas. Lielu video vispirms var samazināt ar audio un video uz MP3 pārveidotāju, un MP3 no Google Drive vai Dropbox var ievadīt Transcribe from URL.
Noderīgi zināt: tiešsaistes rīki augšupielādē audio pakalpojuma sniedzēja serveros. Konfidenciāliem ierakstiem vispirms izlasiet privātuma politiku vai izmantojiet 3. vai 4. metodi.
2. metode: izmantojiet Microsoft Word Transcribe
Ar Microsoft 365 Word pats var transkribēt MP3. Saskaņā ar Microsoft Support (pārbaudīts 2026. gada novembrī) Transcribe pieņem .mp3, .wav, .m4a un .mp4 un atdala runātājus.
- Piesakieties Microsoft 365 un atveriet dokumentu Word for the web (jaunajā Microsoft Edge vai Chrome) vai Word for Microsoft 365 operētājsistēmā Windows.
- Atveriet Home → Dictate (izvēlne) → Transcribe.
- Transcribe panelī izvēlieties Upload audio un MP3 failu.
- Atstājiet paneli atvērtu; Microsoft norāda, ka apstrāde var aizņemt aptuveni faila ilgumu.
- Pārbaudiet: atskaņojiet jebkuru posmu ar ātrumu līdz 2x, rediģējiet tekstu un pārdēvējiet "Speaker 1" visur vienlaikus.
- Izvēlieties Add all to document, lai ievietotu transkriptu dokumentā, un saglabājiet kā DOCX.
Ierobežojumi: Microsoft 365 lietotāji mēnesī saņem līdz 300 minūtēm augšupielādēta audio. Katrs dokuments satur vienu transkriptu, un augšupielādes glabājas OneDrive mapē Transcribed Files. Microsoft norāda, ka Windows darbvirsmas versija pašlaik paredzēta tikai komerciālajiem kontiem. Palīdzības lapā nav minēts SRT vai VTT eksports, tāpēc Word labāk der dokumentiem nekā subtitriem.
3. metode: transkribējiet MP3 manuāli
Rakstīšana pašam ir bez maksas un audio paliek ierīcē, taču tā ir lēna. Izmantojiet īsiem klipiem, vārds vārdā precīziem citātiem vai posmiem, kuros mašīna kļūdījusies.
- Atveriet MP3 atskaņotājā, kur var samazināt ātrumu un patīt atpakaļ ar īsinājumtaustiņu, un līdzās atveriet tukšu dokumentu.
- Iestatiet ātrumu ap 0.75x un strādājiet īsos posmos: atskaņojiet frāzi, apturiet, rakstiet, vajadzības gadījumā patiniet atpakaļ.
- Atzīmējiet runātājus katrā kārtā, piemēram,
INTERVIEWER:unMARIA:. W3C transkriptu vadlīnijas norāda, ka podkāsta transkripts var būt vienkāršas rindkopas ar identificētiem runātājiem. - Atzīmējiet nesadzirdamo ar laika atzīmi, piemēram,
[inaudible 00:14:32], lai vēlāk atgrieztos. - Veiciet pēdējo pārbaudi normālā ātrumā, lasot līdzi, lai atrastu nepareizi izvēlētus līdzīgi skanošus vārdus.
Vai arī ļaujiet rīkam izveidot melnrakstu un šo procesu izmantojiet tikai svarīgākajās vietās.
4. metode: palaidiet Whisper savā datorā
Whisper ir OpenAI atvērtā pirmkoda runas atpazīšanas modelis, kas apmācīts ar 680,000 stundām daudzvalodu audio, saskaņā ar OpenAI pētījumu. Lokāla palaišana ir bez maksas un nekas netiek augšupielādēts. Jārēķinās ar iestatīšanu: vajadzīgs Python, FFmpeg un pacietība lēnākos datoros.
Instalējiet, kā aprakstīts oficiālajā repozitorijā:
pip install -U openai-whisper
Arī FFmpeg jābūt instalētam un pieejamam PATH. Pēc tam transkribējiet:
whisper interview.mp3 --model turbo --language English --output_format srt
Izmantojiet --output_format txt vienkāršam tekstam vai noņemiet šo parametru, lai vienlaikus rakstītu TXT, VTT, SRT, TSV un JSON. CPU gadījumā pievienojiet --fp16 False, lai izvairītos no brīdinājuma. Šīs komandas, tostarp modeļa tiny izmantošana, ir piemēri un šajā darbā nav izpildītas.
| Modelis | Parametri | Aptuvenā VRAM (pēc OpenAI) | Ātrums pret large (pēc OpenAI) |
|---|---|---|---|
| tiny | 39 M | ap 1 GB | ap 10x |
| small | 244 M | ap 2 GB | ap 4x |
| medium | 769 M | ap 5 GB | ap 2x |
| turbo (noklusētais) | 809 M | ap 6 GB | ap 8x |
| large | 1550 M | ap 10 GB | 1x |
OpenAI apraksta turbo kā optimizētu large-v3 ar minimālu precizitātes zudumu, taču tas nav apmācīts tulkošanai.
No kā jāatsakās: oficiālajam rīkam nav runātāju apzīmējumu, redaktora vai DOCX un PDF eksporta; OpenAI norāda, ka veiktspēja būtiski atšķiras pēc valodas. Kopienas projekti aizpilda dažas nepilnības, katram nepieciešama sava iestatīšana.
Kā apstrādāt garus MP3, vairākus runātājus un citas valodas
Gari ieraksti
Pirms augšupielādes pārbaudiet limitu. whispertranscribe.ai plāni atbalsta failus līdz 10 stundām un 5 GB; Word mēneša limits ir piecas stundas kopā. Rīkam ar īsāku limitu FFmpeg var sadalīt MP3 vienas stundas daļās bez atkārtotas kodēšanas:
ffmpeg -i lecture.mp3 -f segment -segment_time 3600 -c copy lecture_part_%03d.mp3
Griezums var būt teikuma vidū, tāpēc, apvienojot tekstu, pārbaudiet savienojumus. Nodarbībām un runām skatiet lekciju transkribēšanu.
Vairāki runātāji
Ieslēdziet runātāju noteikšanu un pirms kopīgošanas pārdēvējiet vispārīgos apzīmējumus. Tie visbiežāk kļūdās, kad cilvēki pārtrauc cits citu vai viņu balsis ir līdzīgas, tāpēc pārbaudiet dažus katra runātāja posmus. Nākamajā sesijā katram var dot savu mikrofonu.
Citas valodas un akcenti
Izvēlieties valodu, nevis automātisku noteikšanu, īpaši, ja fails sākas ar mūziku. whispertranscribe.ai piedāvā Multilingual Mix ierakstiem, kuros mainās angļu, spāņu, franču, vācu, hindi, krievu, portugāļu, japāņu, itāļu un nīderlandiešu valoda. Ja no MP3 citā valodā vajadzīgs teksts angliski, izmantojiet audio tulkošanu angļu valodā, nevis transkribējiet un tulkojiet atsevišķi.
Kā pārbaudīt MP3 transkriptu: 3 posmi
AI melnrakstos kļūdas parasti rodas paredzamās vietās, tāpēc reti jāklausās viss fails vēlreiz.
1. posms: meklējiet, neklausieties. Izmantojiet meklēšanu un aizstāšanu ar vārdu un terminu sarakstu, lai vienlaikus izlabotu pareizrakstību.
2. posms: noklausieties problemātiskās vietas. Pārejiet uz tām un salīdziniet ar audio:
| Vieta | Tipiska kļūda | Kā pārbaudīt |
|---|---|---|
| Skaitļi un datumi | "piecpadsmit" vai "piecdesmit", pazudušas decimāldaļas | Vēlreiz atskaņojiet katru citējamo skaitli |
| Vārdi un zīmoli | Uzrakstīti pēc dzirdes | Salīdziniet ar terminu sarakstu |
| Pārklājošās balsis | Divi teikumi apvienoti vai viens izlaists | Klausieties normāli, tad lēnāk |
| Runātāja maiņa | Rinda piešķirta nepareizai personai | Pārbaudiet pirmo rindu pēc katras maiņas |
| Klusas vai tālas balsis | Trūkst vārdu | Palieliniet skaļumu šajā posmā |
| Pirmās un pēdējās minūtes | Neformālas sarunas, mūzika, nepareizi noteikta valoda | Dzēsiet vai labojiet pēc vajadzības |
3. posms: lasiet kā dokumentu. Izlasiet vienreiz bez audio; nesaprotamo noklausieties vēlreiz. Ko joprojām nevar sadzirdēt, atzīmējiet kā [unclear], nevis miniet.
Kāds eksporta formāts vajadzīgs?
Izvēlieties pēc turpmākā lietojuma: dokumentiem vajag DOCX vai TXT, tekstam uz video — SRT vai VTT.
| Formāts | Lietojums |
|---|---|
| DOCX | Rediģēšana, ziņojumi, raksti, raidījumu piezīmes |
| Nemainīga kopija kopīgošanai vai arhīvam | |
| TXT | Ielīmēšana citās lietotnēs vai AI kopsavilkumos |
| CSV | Izklājlapas un pētniecības analīze |
| SRT | Subtitri YouTube, video redaktoriem un atskaņotājiem |
| VTT | Subtitri HTML5 tīmekļa video atskaņotājiem |
Tālruņa balss piezīmēm balss piezīmju transkribēšanas lapa aptver tās pašas eksporta iespējas.
Biežāk uzdotie jautājumi
Vai varu transkribēt MP3 tekstā bez maksas?
Jā. Rakstīt pašam ir bez maksas, un OpenAI atvērtā pirmkoda Whisper palaišana savā datorā neko nemaksā, izņemot iestatīšanas laiku un aparatūru. Daudzi tiešsaistes rīki piedāvā bezmaksas sākumu. whispertranscribe.ai piedāvā bezmaksas iespēju bez konta, kas ļauj pārbaudīt audio rezultātu. Bezmaksas iespējas parasti ierobežo ilgumu vai funkcijas, tāpēc regulāram darbam salīdziniet maksas plānus; whispertranscribe.ai sākas no $9.99 mēnesī ar gada maksājumu.
Cik ilgi aizņem MP3 faila transkribēšana?
Ar AI rīku parasti ievērojami mazāk nekā audio ilgums, lai gan tas atkarīgs no faila un pakalpojuma. Microsoft norāda, ka Word Transcribe var aizņemt aptuveni faila ilgumu. Lokāla Whisper darbība atkarīga no aparatūras un modeļa; mazāki modeļi ir ātrāki, bet kļūdās vairāk. Manuāla rakstīšana aizņem vairākas reizes ilgāk par audio, tāpēc vairums manuāli transkribē tikai īsus klipus.
Vai MP3 pārveidošana WAV uzlabo precizitāti?
Nē. Saglabājot MP3 kā WAV vai kodējot ar lielāku bitu ātrumu, fails kļūst lielāks, bet detaļas, kas zaudētas MP3 izveidē, neatjaunojas. MP3 ir formāts ar zudumu. Ja oriģinālais WAV vai FLAC vēl ir, transkribējiet to. Citādi augšupielādējiet MP3 esošajā formā. Whisper un līdzīgi dzinēji iekšēji pārveido audio uz 16 kHz mono, tāpēc frekvences maiņa pašam nepalīdz.
Kā transkribēt MP3 ar vairākiem runātājiem?
Izmantojiet rīku ar runātāju noteikšanu un ieslēdziet to pirms sākšanas. Transkripts katram posmam piešķir numurētu apzīmējumu, piemēram, Speaker 1, ko vēlāk pārdēvējat. Microsoft Word Transcribe un whispertranscribe.ai abus runātājus apzīmē; oficiālais Whisper komandrindas rīks to nedara. Pārbaudiet vietas, kur cilvēki pārtrauc cits citu, jo tur runātāji visbiežāk sajūk.
Vai varu MP3 pārveidot Word dokumentā?
Jā. Ātrākais veids ir transkribēt MP3 tiešsaistē un eksportēt DOCX, kas tieši atveras Word vai Google Docs. Ja jums ir Microsoft 365, varat augšupielādēt MP3 Word sadaļā Home, Dictate, Transcribe, Upload audio un izvēlēties Add all to document. Microsoft 365 abonementā ir līdz 300 minūtēm augšupielādēta audio mēnesī.
Vai MP3 var pārvērst subtitros, nevis transkriptā?
Jā. Eksportējiet transkriptu kā SRT vai VTT, nevis DOCX vai TXT. Abi formāti saglabā katras rindas laiku, lai video atskaņotājs vai redaktors tekstu rādītu pareizajā brīdī. whispertranscribe.ai var eksportēt SRT vai VTT pēc transkribēšanas vai izmantot MP3 uz SRT pārveidotāju. Arī Whisper komandrindas rīks var izveidot SRT un VTT, izvēloties izvades formātu.
Gatavs izmēģināt? Augšupielādējiet failu whispertranscribe.ai MP3 uz teksta pārveidotājā vai izmantojiet bezmaksas audio uz teksta pārveidotāju citiem formātiem. Abi darbojas 130+ valodās, ar runātāju apzīmējumiem un DOCX, PDF, TXT, CSV, SRT un VTT eksportu.
Atsauces
- Library of Congress: MP3 (MPEG Layer III Audio Encoding)
- Google Cloud: Labā prakse datu sagatavošanai Speech-to-Text API
- Microsoft Support: Ierakstu transkribēšana
- OpenAI: Whisper GitHub (README un
whisper/audio.py) - Radford un līdzautori, OpenAI: Robust Speech Recognition via Large-Scale Weak Supervision
- W3C Web Accessibility Initiative: Transkripti
