Av redaksjonen i whispertranscribe.ai · Sist oppdatert: november 2026 · 12 minutters lesning
For å transkribere MP3 til tekst kan du legge filen i et KI-transkripsjonsverktøy, velge språket som snakkes og eksportere resultatet som DOCX, TXT eller SRT. Du kan også bruke Transcribe i Microsoft Word, skrive selv eller kjøre OpenAIs gratis Whisper-modell på din egen datamaskin. Uansett metode setter MP3-filens kvalitet grensen for resultatet.
Nedenfor finner du alle fire metodene trinn for trinn, hvordan du leser bitrate og samplingsfrekvens, en lydsjekkliste, tips for lange filer og flere talere og en korrekturrutine i tre gjennomganger.
Kort svar: Slik transkriberer du MP3 til tekst
For de fleste er et nettverktøy raskest: Det tar MP3-filen som den er, merker talere og returnerer en redigerbar fil. Bruk Word hvis du allerede betaler for Microsoft 365, skriv korte klipp manuelt, og kjør Whisper lokalt når lyden ikke kan forlate datamaskinen.
- Sjekk filen. Spill av 30 sekunder for å bekrefte at stemmene er klare.
- Last opp og velg innstillinger. Velg språket og slå på talergjenkjenning hvis flere personer snakker.
- Les korrektur og eksporter. Rett navn og tall, og last ned DOCX eller TXT for dokumenter og SRT eller VTT for undertekster.
Hvilken metode bør du bruke?
Velg etter tre ting: lydmengde, behov for taleretiketter og hvor lyden kan sendes. Microsoft-detaljene ble kontrollert i november 2026.
| Metode | Kostnad | Taleretiketter | Hvor lyden går | Best til |
|---|---|---|---|---|
| 1. Nettbasert transkripsjonsverktøy | Gratis start hos mange, betalte abonnementer for større mengder | Ja, hos de fleste | Leverandørens servere | Intervjuer, podkaster, forelesninger og regelmessig arbeid |
| 2. Microsoft Word Transcribe | Inkludert i Microsoft 365, opptil 300 opplastede minutter i måneden | Ja (Speaker 1, Speaker 2) | Microsofts servere, fil i OneDrive | Sporadiske filer hvis du allerede bruker Word |
| 3. Manuell transkripsjon | Gratis, men tar timer | Du legger dem til | Blir på enheten | Korte klipp og sitater som må være nøyaktige |
| 4. Whisper på datamaskinen | Gratis, åpen kildekode | Ikke i det offisielle verktøyet | Blir på enheten | Privat lyd, tekniske brukere og batchbehandling |
Før du starter: Sjekk MP3-filen på 60 sekunder
MP3 er et format med tap. Library of Congress sin formatbeskrivelse forklarer at det fjerner lyder mennesker er mindre tilbøyelige til å høre, og at en MP3 på 128 kbit/s er omtrent en ellevtedel av størrelsen på lyd i CD-kvalitet. Tapte detaljer kan ikke gjenopprettes, så undersøk utgangspunktet.
På Windows åpner du Properties → Details; på Mac Get Info. Med FFmpeg installert viser denne kommandoen kodek, samplingsfrekvens, kanaler, bitrate og varighet:
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
Kommandoen er ikke kjørt i denne gjennomgangen; den kan vise linjer som sample_rate=44100 og bit_rate=128000. Slik leses de:
| Verdi | Hva den forteller | Betydning for transkripsjon |
|---|---|---|
| bit_rate | Hvor mye data per sekund som overlevde komprimeringen | Svært lave bitrater etterlater færre detaljer som ikke kan gjenopprettes |
| sample_rate | Hvor mange ganger per sekund lyden ble målt | Google anbefaler minst 16 000 Hz for talegjenkjenning |
| channels | Mono (1) eller stereo (2) | Stereo er fint; Whisper mikser til mono når lyden lastes inn |
| duration | Opptakets lengde | Viser om du treffer et verktøys lengde- eller minuttgrense |
Påvirker MP3-bitrate transkripsjonens nøyaktighet?
Det kan den. Google Clouds beste praksis for talegjenkjenning sier at kodeker med tap, inkludert MP3, kan redusere nøyaktigheten, og at støy og ekko skader mer når en slik kodek også brukes. Det finnes ingen publisert bitrategrense, så betrakt bitrate som én av flere faktorer. En klar stemme nær mikrofonen betyr mer enn høy bitrate.
Den praktiske regelen: Transkriber den beste versjonen du har. Finnes originalen i WAV eller FLAC, bruk den. Omkoding av en 96 kbps-fil til 320 kbps eller lagring som WAV gjør den større uten å gjenopprette detaljer.
Hvilken samplingsfrekvens trenger talegjenkjenning?
For talegjenkjenning er 16 kHz vanligvis nok. OpenAIs åpne Whisper-kode laster hver fil via FFmpeg, konverterer den til mono og omsampler til 16 000 Hz før modellen behandler den (whisper/audio.py på GitHub). Googles guide fraråder også å omsample selv. Et telefonopptak på 8 000 Hz bør sendes som det er, ikke oppsamples.
De 44,1 kHz eller 48 kHz i en typisk MP3 er mer enn nok. Ikke endre samplingsfrekvensen før opplasting.
Sjekkliste for lydkvalitet
Før noe viktig:
- Lytt til starten og en del i midten. Er språket riktig, og høres alle?
- Sjekk volumet.
ffmpeg -i interview.mp3 -af volumedetect -f null -viser gjennomsnitts- og maksimumsvolum. Et maksimum nær 0 dB kan bety klipping, og forvrengte topper er vanskelige å gjenopprette. - Unngå kraftig støyreduksjon. Googles guide sier at støyreduksjon før gjenkjenning vanligvis reduserer nøyaktigheten.
- Lag en liste over navn, forkortelser og faguttrykk til senere korrektur.
- Behold originalfilen til transkripsjonen er ferdig.
Metode 1: Last MP3-filen opp til et nettbasert transkripsjonsverktøy
Nettverktøy er raskeste vei fra en lang MP3 til redigerbar tekst: Modellen kjører på leverandørens servere, og ingenting må installeres. Trinnene bruker whispertranscribe.ai. whispertranscribe.ai er et nettbasert KI-verktøy basert på OpenAIs Whisper-modell som gjør lyd og video om til tekst på over 130 språk og godtar opplastinger på opptil 5 GB og 10 timer. Andre verktøy fungerer lignende med andre menyer.
Trinn 1: Åpne MP3-transkripsjonssiden og velg språk
Gå til MP3 til tekst-siden og velg språket under Step 1. Det finnes over 130 språk, regionale varianter som English (India) og Noise / Low-Quality Audio/Video for dårlige opptak.
Trinn 2: Last opp MP3-filen
Under Step 2 drar du inn filen eller velger den. Filer kan være opptil 5 GB, og abonnementer støtter opptak på opptil 10 timer. WAV, M4A, FLAC, MP4 og MOV fungerer også.
Trinn 3: Slå på Speaker Detection ved behov
For intervjuer, møter og podkaster slår du på Enable Speaker Detection, slik at hver taletur merkes.
Trinn 4: Start transkripsjonen
Klikk Transcribe MP3 to text. Nøyaktigheten er opptil 99 % ved klar lyd. Bakgrunnsstøy, sterke aksenter og personer som snakker samtidig, reduserer den, så planlegg korrektur.
Trinn 5: Eksporter transkripsjonen
Last ned DOCX, PDF, TXT eller CSV for dokumenter og analyse, eller SRT og VTT for tidskodede undertekster. Hvis undertekster er målet fra starten, går MP3-til-SRT-konverteren direkte til en undertekstfil.
Du kan prøve gratis uten konto før du velger abonnement. Betalte abonnementer starter på 9,99 USD/måned ved årlig betaling; se priser. En stor videofil kan først gjøres mindre med lyd- og video-til-MP3-konverteren, og en MP3 i Google Drive eller Dropbox kan sendes rett til transkripsjon fra URL.
Godt å vite: Nettverktøy laster lyden opp til leverandørens servere. For fortrolige opptak bør du først lese personvernerklæringen eller bruke metode 3 eller 4.
Metode 2: Bruk Microsoft Words Transcribe-funksjon
Med Microsoft 365 kan Word transkribere en MP3 selv. Ifølge Microsoft Support, kontrollert i november 2026, godtar Transcribe .mp3, .wav, .m4a og .mp4 og skiller talere.
- Logg på Microsoft 365 og åpne et dokument i Word for nettet (nye Microsoft Edge eller Chrome) eller Word for Microsoft 365 på Windows.
- Gå til Home → Dictate (nedtrekksmeny) → Transcribe.
- Velg Upload audio i Transcribe-panelet og velg MP3-filen.
- Hold panelet åpent under behandlingen; Microsoft sier at den kan ta omtrent filens lengde.
- Kontroller: Spill av en del med opptil 2x hastighet, rediger tekst og gi «Speaker 1» nytt navn overalt samtidig.
- Velg Add all to document for å sette transkripsjonen inn på siden, og lagre som DOCX.
Grenser å planlegge etter: Microsoft 365-brukere får opptil 300 minutter opplastet lyd i måneden. Hvert dokument inneholder én transkripsjon, og opplastinger lagres i Transcribed Files-mappen i OneDrive. Microsoft sier at Windows-skrivebordsversjonen for tiden er begrenset til kommersielle organisasjoner. Hjelpesiden nevner ikke SRT- eller VTT-eksport, så Word passer bedre til dokumenter enn undertekster.
Metode 3: Transkriber MP3-filen manuelt
Å skrive selv er gratis og holder lyden på enheten, men er langsomt. Bruk det for korte klipp, ordrette sitater eller deler en maskin har gjengitt feil.
- Åpne MP3-filen i en spiller som kan senke hastigheten og hoppe tilbake med en snarvei, med et tomt dokument ved siden av.
- Sett hastigheten til omtrent 0,75x og arbeid i korte biter: Spill en frase, sett på pause, skriv og spol tilbake ved behov.
- Marker talere ved hvert skifte, for eksempel
INTERVIEWER:ogMARIA:. W3Cs veiledning om transkripsjoner sier at en podkasttranskripsjon kan være enkle avsnitt med talere identifisert. - Marker det du ikke hører med et tidsstempel som
[inaudible 00:14:32], slik at du kan komme tilbake. - Ta en siste gjennomgang ved normal hastighet mens du leser med for å finne feil ord som høres like ut.
Du kan også la et verktøy lage utkastet og bruke rutinen bare der det er viktig.
Metode 4: Kjør Whisper på din egen datamaskin
Whisper er OpenAIs talegjenkjenningsmodell med åpen kildekode, trent på 680 000 timer flerspråklig lyd ifølge OpenAIs forskningsartikkel. Lokal kjøring er gratis, og ingenting lastes opp. Ulempen er oppsettet: Du trenger Python, FFmpeg og tålmodighet på tregere maskiner.
Installer som beskrevet i det offisielle repositoriet:
pip install -U openai-whisper
FFmpeg må også være installert og på PATH. Transkriber deretter:
whisper interview.mp3 --model turbo --language English --output_format srt
Bruk --output_format txt for ren tekst, eller utelat flagget for å skrive TXT, VTT, SRT, TSV og JSON samtidig. På CPU kan du legge til --fp16 False for å unngå en advarsel. Kommandoene er eksempler og er ikke kjørt i denne gjennomgangen; tiny er en modell du kan velge.
| Modell | Parametere | Omtrentlig VRAM (OpenAI) | Hastighet mot large (OpenAI) |
|---|---|---|---|
| tiny | 39 M | omtrent 1 GB | omtrent 10x |
| small | 244 M | omtrent 2 GB | omtrent 4x |
| medium | 769 M | omtrent 5 GB | omtrent 2x |
| turbo (standard) | 809 M | omtrent 6 GB | omtrent 8x |
| large | 1550 M | omtrent 10 GB | 1x |
OpenAI beskriver turbo som en optimalisert large-v3 med minimalt tap av nøyaktighet, men den er ikke trent for oversettelse.
Dette gir du avkall på: Det offisielle verktøyet har ingen taleretiketter, editor eller DOCX- eller PDF-eksport, og OpenAI påpeker at ytelsen varierer mye etter språk. Fellesskapsprosjekter fyller noen hull, hvert med sitt eget oppsett.
Slik håndterer du lange MP3-filer, flere talere og andre språk
Lange opptak
Sjekk grensen før opplasting. whispertranscribe.ai sine abonnementer støtter filer på opptil 10 timer og 5 GB; Words månedskvote er fem timer totalt. For et verktøy med kortere grense kan FFmpeg dele MP3-filen i deler på én time uten omkoding:
ffmpeg -i lecture.mp3 -f segment -segment_time 3600 -c copy lecture_part_%03d.mp3
Et kutt kan havne midt i en setning, så sjekk skjøtene når du setter sammen teksten. For undervisning og foredrag, se transkripsjon av forelesninger.
Flere talere
Slå på talergjenkjenning og gi de generiske etikettene nye navn før deling. Etiketter blandes særlig når folk avbryter hverandre eller høres like ut, så stikkprøvekontroller noen turer per taler. Ved neste økt kan hver person få sin egen mikrofon.
Andre språk og aksenter
Velg språket fremfor automatisk gjenkjenning, særlig hvis filen starter med musikk. whispertranscribe.ai tilbyr Multilingual Mix for opptak som skifter mellom engelsk, spansk, fransk, tysk, hindi, russisk, portugisisk, japansk, italiensk og nederlandsk. Trenger du engelsk tekst fra en MP3 på et annet språk, bruk oversett lyd til engelsk i stedet for separat transkripsjon og oversettelse.
Korrektur av MP3-transkripsjon: tre gjennomganger
KI-utkast feiler på forutsigbare steder, så du trenger sjelden å lytte gjennom hele filen igjen.
Gjennomgang 1: Søk, ikke lytt. Bruk søk og erstatt med listen over navn og uttrykk for å rette stavefeil samtidig.
Gjennomgang 2: Lytt til problemstedene. Hopp til disse stedene og sjekk mot lyden:
| Problemsted | Typisk feil | Slik sjekker du |
|---|---|---|
| Tall og datoer | «femten» mot «femti», manglende desimaler | Spill av hvert tall du vil sitere på nytt |
| Navn og merkevarer | Skrevet lydrett | Sammenlign med ordlisten |
| Overlappende tale | To setninger blandet eller én utelatt | Lytt ved normal hastighet og deretter saktere |
| Talerskifter | Linje tilskrevet feil person | Sjekk første linje etter hvert skifte |
| Stille eller fjerne stemmer | Manglende ord | Skru opp volumet for den delen |
| Første og siste minutter | Småprat, musikk, feil språkvalg | Slett eller rett etter behov |
Gjennomgang 3: Les som dokument. Les én gang uten lyd; lytt igjen til alt som ikke gir mening. Marker det du fortsatt ikke hører som [unclear] i stedet for å gjette.
Hvilket eksportformat trenger du?
Velg etter neste trinn: Dokumenter trenger DOCX eller TXT; tekst over video trenger SRT eller VTT.
| Format | Brukes til |
|---|---|
| DOCX | Redigering, rapporter, artikler og episodenotater |
| En fast kopi til deling eller arkiv | |
| TXT | Innliming i andre apper eller KI-sammendrag |
| CSV | Regneark og forskningsanalyse |
| SRT | Undertekster til YouTube, videoredigerere og spillere |
| VTT | Undertekster for HTML5-nettspillere |
For talenotater fra telefonen dekker siden for transkripsjon av talememoer de samme eksportalternativene.
Vanlige spørsmål
Kan jeg transkribere MP3 til tekst gratis?
Ja. Manuell skriving er gratis, og å kjøre OpenAIs åpne Whisper på din egen datamaskin koster ikke annet enn oppsettstid og maskinvare. Mange nettverktøy har også gratis start. whispertranscribe.ai tilbyr et gratis alternativ uten konto, nyttig for å sjekke resultatet for din lyd. Gratis alternativer begrenser vanligvis lengde eller funksjoner, så sammenlign betalte abonnementer for regelmessig arbeid; whispertranscribe.ai starter på 9,99 USD/måned ved årlig betaling.
Hvor lang tid tar det å transkribere en MP3-fil?
Med et KI-verktøy vanligvis langt mindre enn lydens varighet, men det avhenger av fil og tjeneste. Microsoft sier at Word Transcribe kan ta omtrent filens lengde. Lokal Whisper avhenger av maskinvare og modell; mindre modeller er raskere, men gjør flere feil. Manuell skriving tar flere ganger lydens lengde, og derfor transkriberer de fleste bare korte klipp manuelt.
Forbedrer konvertering fra MP3 til WAV nøyaktigheten?
Nei. Å lagre en MP3 som WAV eller kode den på nytt med høyere bitrate gjør filen større, men gjenoppretter ikke detaljer som ble fjernet da MP3-filen ble laget. MP3 er et format med tap. Finnes originalopptaket i WAV eller FLAC, transkriber det. Ellers lastes MP3-filen opp som den er. Talemotorer som Whisper omsampler internt lyd til 16 kHz mono, så egen endring av samplingsfrekvensen hjelper heller ikke.
Hvordan transkriberer jeg en MP3 med flere talere?
Bruk et verktøy med talergjenkjenning og slå det på før start. Transkripsjonen gir hver taletur en nummerert etikett som Speaker 1, som du gir nytt navn etterpå. Microsoft Word Transcribe og whispertranscribe.ai merker begge talere; det offisielle Whisper-kommandolinjeverktøyet gjør det ikke. Sjekk etikettene der folk avbryter hverandre, siden de oftest blandes der.
Kan jeg konvertere en MP3 til et Word-dokument?
Ja. Raskest er å transkribere MP3-filen på nett og eksportere DOCX, som åpnes direkte i Word eller Google Docs. Med Microsoft 365 kan du også laste opp MP3-filen i Word via Home, Dictate, Transcribe, Upload audio og velge Add all to document. Et Microsoft 365-abonnement inkluderer opptil 300 minutter opplastet lyd per måned.
Kan jeg lage undertekster av en MP3 i stedet for en transkripsjon?
Ja. Eksporter transkripsjonen som SRT eller VTT i stedet for DOCX eller TXT. Begge formater bevarer tidspunktet for hver linje, slik at en videospiller eller editor kan vise teksten til rett tid. I whispertranscribe.ai kan du eksportere SRT eller VTT etter transkripsjon eller bruke MP3-til-SRT-konverteren. Whispers kommandolinjeverktøy kan også skrive SRT- og VTT-filer med output format-valget.
Klar til å prøve? Last opp en fil til whispertranscribe.ai sin MP3-til-tekst-konverter, eller bruk gratis lyd-til-tekst-konverter for andre formater. Begge fungerer på over 130 språk med taleretiketter og DOCX-, PDF-, TXT-, CSV-, SRT- og VTT-eksport.
Referanser
- Library of Congress: MP3 (MPEG Layer III Audio Encoding)
- Google Cloud: Beste praksis for data til Speech-to-Text API
- Microsoft Support: Transkriber opptakene dine
- OpenAI: Whisper på GitHub (README og
whisper/audio.py) - Radford mfl., OpenAI: Robust Speech Recognition via Large-Scale Weak Supervision
- W3C Web Accessibility Initiative: Transkripsjoner
