Jak transkrybować MP3 na tekst: porównanie 4 metod

Zespół redakcyjny whispertranscribe.ai · Ostatnia aktualizacja: listopad 2026 · 12 minut czytania

Aby transkrybować MP3 na tekst, umieść plik w narzędziu AI, wybierz język wypowiedzi i eksportuj wynik jako DOCX, TXT lub SRT. Możesz też użyć funkcji Transcribe w Microsoft Word, przepisać go ręcznie lub uruchomić bezpłatny model Whisper OpenAI na własnym komputerze. Niezależnie od wyboru jakość MP3 wyznacza górną granicę wyniku.

Poniżej cztery metody krok po kroku, odczyt przepływności i częstotliwości próbkowania, lista kontroli audio, wskazówki dla długich plików i wielu mówców oraz trzyetapowa korekta.

Krótka odpowiedź: jak transkrybować MP3 na tekst

Dla większości osób najszybsze jest narzędzie online: przyjmuje MP3 bez zmian, oznacza mówców i zwraca edytowalny plik. Użyj Worda, jeśli płacisz już za Microsoft 365, przepisz krótkie fragmenty ręcznie, a Whisper uruchom lokalnie, gdy audio nie może opuścić komputera.

  1. Sprawdź plik. Odtwórz 30 sekund, aby upewnić się, że głosy są wyraźne.
  2. Prześlij i ustaw opcje. Wybierz język wypowiedzi i włącz wykrywanie mówców, jeśli mówi więcej niż jedna osoba.
  3. Sprawdź i eksportuj. Popraw nazwiska i liczby, a następnie pobierz DOCX lub TXT dla dokumentów, SRT lub VTT dla napisów.

Którą metodę wybrać?

Wybierz według trzech czynników: ilości audio, potrzeby oznaczeń mówców i miejsca, do którego może trafić dźwięk. Dane Microsoft sprawdzono w listopadzie 2026 r.

Metoda Koszt Oznaczenia mówców Dokąd trafia audio Najlepsza do
1. Narzędzie online Wiele oferuje bezpłatny start, płatne plany dla większej ilości Tak, w większości narzędzi Serwery usługodawcy Wywiady, podcasty, wykłady, regularna praca
2. Microsoft Word Transcribe W Microsoft 365, do 300 przesłanych minut miesięcznie Tak (Speaker 1, Speaker 2) Serwery Microsoft, plik w OneDrive Sporadyczne pliki, jeśli używasz Worda
3. Transkrypcja ręczna Bezpłatna, lecz kosztuje godziny pracy Dodajesz samodzielnie Pozostaje w urządzeniu Krótkie fragmenty, cytaty wymagające dokładności
4. Whisper na komputerze Bezpłatny, open source Brak w oficjalnym narzędziu Pozostaje w urządzeniu Prywatne audio, użytkownicy techniczni, partie plików

Przed rozpoczęciem: sprawdź MP3 w 60 sekund

MP3 jest formatem stratnym. Opis Library of Congress wyjaśnia, że usuwa dźwięki mniej słyszalne dla ludzi, a MP3 128 kbit/s jest około jedną jedenastą rozmiaru audio jakości CD. Utraconych szczegółów nie można odzyskać, więc sprawdź materiał.

W Windows otwórz Properties → Details; na Macu Get Info. Z zainstalowanym FFmpeg polecenie pokazuje kodek, częstotliwość próbkowania, kanały, przepływność i czas:

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

Nie uruchomiono tego polecenia podczas tej weryfikacji; może ono pokazać wiersze takie jak sample_rate=44100 i bit_rate=128000. Jak je czytać:

Wartość Co oznacza Znaczenie dla transkrypcji
bit_rate Ile danych na sekundę pozostało po kompresji Bardzo niska przepływność pozostawia mniej szczegółów; nie można ich przywrócić
sample_rate Ile razy na sekundę zmierzono dźwięk Google zaleca 16,000 Hz lub więcej do rozpoznawania mowy
channels Mono (1) lub stereo (2) Stereo jest w porządku; Whisper miesza je do mono podczas ładowania
duration Długość nagrania Pozwala sprawdzić limit długości lub minut narzędzia

Czy przepływność MP3 wpływa na dokładność?

Może. Dobre praktyki Google Cloud mówią, że kodeki stratne, w tym MP3, mogą obniżyć dokładność, a hałas i pogłos szkodzą bardziej przy kompresji stratnej. Nie ma opublikowanego progu przepływności, więc traktuj ją jako jeden z czynników. Czysty głos blisko mikrofonu jest ważniejszy od wysokiej przepływności.

Zasada praktyczna: transkrybuj najlepszą dostępną wersję. Jeśli istnieje oryginalny WAV lub FLAC, użyj go. Ponowne kodowanie 96 kbps do 320 kbps lub zapis jako WAV powiększa plik, niczego nie przywracając.

Jakiej częstotliwości próbkowania potrzebuje rozpoznawanie mowy?

Zwykle wystarcza 16 kHz. Kod open source Whisper OpenAI ładuje każdy plik przez FFmpeg, zmienia na mono i próbkowanie 16,000 Hz przed podaniem modelowi (whisper/audio.py na GitHubie). Poradnik Google odradza samodzielne ponowne próbkowanie. Nagranie telefoniczne 8,000 Hz należy przesłać bez zmian, nie podnosić częstotliwości.

Typowe dla MP3 44.1 lub 48 kHz jest więcej niż wystarczające. Nie zmieniaj częstotliwości przed przesłaniem.

Lista kontroli jakości audio

Przed ważnym zadaniem:

  • Odsłuchaj początek i fragment środka. Czy język jest właściwy i wszystkich słychać?
  • Sprawdź głośność. ffmpeg -i interview.mp3 -af volumedetect -f null - pokazuje średnią i maksymalną głośność. Maksimum bliskie 0 dB może oznaczać przesterowanie, a zniekształcone szczyty trudno odzyskać.
  • Unikaj silnego odszumiania. Google mówi, że redukcja szumu przed rozpoznawaniem zwykle obniża dokładność.
  • Zapisz nazwiska, akronimy i żargon do późniejszej korekty.
  • Zachowaj oryginał do ukończenia transkrypcji.

Metoda 1: prześlij MP3 do narzędzia online

Narzędzia online najszybciej zamieniają długie MP3 w edytowalny tekst: model działa na serwerach usługodawcy i niczego nie instalujesz. Poniżej używamy whispertranscribe.ai. whispertranscribe.ai jest internetowym narzędziem AI zamieniającym audio i wideo w tekst w 130+ językach, obsługuje do 5GB i 10 godzin, korzysta z modelu Whisper OpenAI. Inne narzędzia działają podobnie, lecz mają inne menu.

Krok 1: otwórz stronę transkrypcji MP3 i wybierz język

Przejdź do strony transkrypcji MP3 na tekst i w Step 1 wybierz język wypowiedzi. Jest 130+ języków, warianty regionalne jak English (India) i opcje Noise / Low-Quality Audio/Video dla trudnych nagrań.

Krok 2: prześlij MP3

W Step 2 przeciągnij plik lub go wybierz. Pliki mogą mieć do 5GB, a plany obsługują do 10 godzin. Działają także WAV, M4A, FLAC, MP4 i MOV.

Krok 3: włącz Speaker Detection w razie potrzeby

Dla wywiadów, spotkań i podcastów włącz Enable Speaker Detection, aby każda wypowiedź była oznaczona.

Krok 4: rozpocznij transkrypcję

Kliknij Transcribe MP3 to text. Dokładność wynosi do 99% przy czystym audio. Hałas, silne akcenty i jednoczesne wypowiedzi ją obniżają, więc zaplanuj korektę.

Krok 5: eksportuj transkrypcję

Pobierz DOCX, PDF, TXT lub CSV do dokumentów i analizy albo SRT i VTT do napisów z czasem. Jeśli od początku potrzebujesz napisów, konwerter MP3 do SRT tworzy bezpośrednio plik napisów.

Możesz wypróbować bezpłatnie bez konta przed wyborem planu. Płatne plany od $9.99/mies. przy rozliczeniu rocznym; zobacz cennik. Duży plik wideo można najpierw zmniejszyć konwerterem audio i wideo do MP3, a MP3 z Google Drive lub Dropbox skierować do Transcribe from URL.

Warto wiedzieć: narzędzia online przesyłają audio na serwery usługodawcy. Dla poufnych nagrań najpierw przeczytaj politykę prywatności lub użyj metody 3 albo 4.

Metoda 2: użyj Transcribe w Microsoft Word

Z Microsoft 365 Word sam transkrybuje MP3. Według Microsoft Support (sprawdzono listopad 2026 r.) Transcribe przyjmuje .mp3, .wav, .m4a i .mp4 oraz rozdziela mówców.

  1. Zaloguj się do Microsoft 365 i otwórz dokument w Word dla sieci (nowy Microsoft Edge lub Chrome) albo Word dla Microsoft 365 w Windows.
  2. Przejdź do Home → Dictate (menu) → Transcribe.
  3. W panelu Transcribe wybierz Upload audio i MP3.
  4. Zostaw panel otwarty; według Microsoft przetwarzanie może trwać do około długości pliku.
  5. Sprawdź: odtwarzaj fragmenty do 2x, edytuj tekst i zmień „Speaker 1” wszędzie jednocześnie.
  6. Wybierz Add all to document, aby dodać tekst do strony, i zapisz DOCX.

Ograniczenia: Microsoft 365 oferuje do 300 minut przesłanego audio miesięcznie. Dokument zawiera jedną transkrypcję, a pliki trafiają do folderu Transcribed Files w OneDrive. Microsoft mówi, że wersja desktopowa Windows jest obecnie ograniczona do dzierżaw komercyjnych. Pomoc nie wymienia eksportu SRT ani VTT, więc Word lepiej pasuje do dokumentów niż napisów.

Metoda 3: transkrybuj MP3 ręcznie

Samodzielne pisanie jest bezpłatne i zachowuje audio na urządzeniu, ale trwa długo. Użyj do krótkich fragmentów, dokładnych cytatów lub fragmentów błędnie rozpoznanych przez maszynę.

  1. Otwórz MP3 w odtwarzaczu ze spowolnieniem i cofaniem skrótem, a obok pusty dokument.
  2. Ustaw około 0.75x i pracuj krótkimi fragmentami: odtwórz, wstrzymaj, wpisz i w razie potrzeby cofnij.
  3. Oznacz mówców przy każdej zmianie, np. INTERVIEWER: i MARIA:. Wytyczne W3C o transkrypcjach mówią, że podcast może mieć zwykłe akapity z oznaczonymi mówcami.
  4. Oznacz niesłyszalne miejsca znacznikiem czasu, np. [inaudible 00:14:32], aby do nich wrócić.
  5. Sprawdź na koniec z normalną prędkością, czytając jednocześnie, aby wyłapać błędne homofony.

Możesz też użyć narzędzia do szkicu i stosować tę procedurę tylko w ważnych miejscach.

Metoda 4: uruchom Whisper na własnym komputerze

Whisper to model open source OpenAI trenowany na 680,000 godzinach wielojęzycznego audio według pracy badawczej OpenAI. Lokalnie jest bezpłatny i nic nie jest przesyłane. Ceną jest konfiguracja: potrzebujesz Python, FFmpeg i cierpliwości na wolniejszym komputerze.

Zainstaluj według oficjalnego repozytorium:

pip install -U openai-whisper

FFmpeg też musi być zainstalowany i dostępny w PATH. Następnie transkrybuj:

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

Użyj --output_format txt dla zwykłego tekstu albo usuń flagę, aby zapisać jednocześnie TXT, VTT, SRT, TSV i JSON. Na CPU dodaj --fp16 False, aby pominąć ostrzeżenie. Te polecenia są przykładami i nie zostały uruchomione podczas tej weryfikacji; tiny to model, który można wybrać.

Model Parametry Przybliżony VRAM (według OpenAI) Szybkość względem large (według OpenAI)
tiny 39 M około 1 GB około 10x
small 244 M około 2 GB około 4x
medium 769 M około 5 GB około 2x
turbo (domyślny) 809 M około 6 GB około 8x
large 1550 M około 10 GB 1x

OpenAI opisuje turbo jako zoptymalizowany large-v3 z minimalnym spadkiem dokładności, ale nie jest szkolony do tłumaczenia.

Z czego rezygnujesz: oficjalne narzędzie nie ma oznaczania mówców, edytora ani eksportu DOCX lub PDF, a według OpenAI wyniki mocno zależą od języka. Projekty społeczności uzupełniają część braków, każdy z własną konfiguracją.

Długie MP3, wielu mówców i inne języki

Długie nagrania

Przed przesłaniem sprawdź limit. Plany whispertranscribe.ai obsługują do 10 godzin i 5GB; miesięczny limit Worda to łącznie pięć godzin. Przy krótszym limicie FFmpeg podzieli MP3 na godzinne części bez ponownego kodowania:

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

Cięcie może wypaść w środku zdania, więc sprawdź połączenia podczas scalania tekstu. Dla zajęć i wykładów zobacz transkrypcję wykładów.

Kilku mówców

Włącz wykrywanie mówców i zmień ogólne oznaczenia przed udostępnieniem. Najczęściej mylą się, gdy ludzie sobie przerywają lub brzmią podobnie, więc sprawdź kilka wypowiedzi każdej osoby. Przy następnym spotkaniu daj każdemu własny mikrofon.

Inne języki i akcenty

Wybierz język zamiast automatycznego wykrywania, zwłaszcza gdy plik zaczyna się muzyką. whispertranscribe.ai oferuje Multilingual Mix dla nagrań przechodzących między angielskim, hiszpańskim, francuskim, niemieckim, hindi, rosyjskim, portugalskim, japońskim, włoskim i niderlandzkim. Jeśli potrzebujesz angielskiego tekstu z MP3 w innym języku, użyj tłumaczenia audio na angielski zamiast osobnych etapów.

Korekta transkrypcji MP3: trzy etapy

Szkice AI mylą się w przewidywalnych miejscach, więc rzadko trzeba odsłuchać cały plik ponownie.

Etap 1: szukaj, nie słuchaj. Użyj wyszukiwania i zamiany z listą nazwisk i terminów, aby poprawić wszystkie literówki naraz.

Etap 2: odsłuchaj trudne miejsca. Przejdź do nich i porównaj z audio:

Miejsce Typowy błąd Jak sprawdzić
Liczby i daty „fifteen” zamiast „fifty”, brak miejsc po przecinku Odtwórz każdą cytowaną liczbę
Nazwiska i marki Zapis fonetyczny Porównaj z listą terminów
Nakładająca się mowa Dwa zdania połączone lub jedno pominięte Odsłuchaj normalnie, potem wolniej
Zmiany mówcy Wiersz przypisany niewłaściwej osobie Sprawdź pierwszy wiersz po zmianie
Ciche lub dalekie głosy Brak słów Zwiększ głośność fragmentu
Pierwsze i ostatnie minuty Pogawędka, muzyka, błędny język Usuń lub popraw według potrzeby

Etap 3: przeczytaj jako dokument. Przeczytaj bez audio; wszystko, co nie ma sensu, odsłuchaj ponownie. Nadal niesłyszalne oznacz jako [unclear], nie zgaduj.

Jakiego formatu eksportu potrzebujesz?

Wybierz według dalszego użycia: dokumenty potrzebują DOCX lub TXT, tekst na wideo SRT lub VTT.

Format Zastosowanie
DOCX Edycja, raporty, artykuły, notatki do odcinka
PDF Stała kopia do udostępnienia lub archiwizacji
TXT Wklejanie do innych aplikacji lub streszczeń AI
CSV Arkusze i analiza badań
SRT Napisy dla YouTube, edytorów i odtwarzaczy wideo
VTT Napisy dla internetowych odtwarzaczy HTML5

Dla notatek głosowych z telefonu strona transkrypcji notatek głosowych opisuje te same opcje.

Często zadawane pytania

Czy mogę bezpłatnie transkrybować MP3 na tekst?

Tak. Samodzielne pisanie jest zawsze bezpłatne, podobnie jak uruchomienie open-source Whisper OpenAI na własnym komputerze poza kosztem konfiguracji i sprzętu. Wiele narzędzi online oferuje bezpłatny start. whispertranscribe.ai ma opcję bez konta, przydatną do sprawdzenia wyniku. Darmowe opcje zwykle ograniczają długość lub funkcje, więc do regularnej pracy porównaj płatne plany; whispertranscribe.ai od $9.99/mies. rocznie.

Ile trwa transkrypcja MP3?

Z narzędziem AI zwykle znacznie mniej niż długość nagrania, zależnie od pliku i usługi. Microsoft mówi, że Transcribe w Wordzie może trwać do około długości pliku. Lokalny Whisper zależy od sprzętu i modelu; mniejsze są szybsze, lecz popełniają więcej błędów. Ręczne pisanie trwa kilkakrotnie dłużej niż audio, dlatego większość osób ręcznie przepisuje tylko krótkie fragmenty.

Czy konwersja MP3 do WAV poprawia dokładność?

Nie. Zapis MP3 jako WAV lub ponowne kodowanie z wyższą przepływnością powiększa plik, ale nie przywraca szczegółów usuniętych przy tworzeniu MP3. MP3 jest stratny. Jeśli oryginalny WAV lub FLAC istnieje, transkrybuj go. W przeciwnym razie prześlij MP3 bez zmian. Silniki takie jak Whisper wewnętrznie próbkują audio do 16 kHz mono, więc samodzielna zmiana częstotliwości też nie pomaga.

Jak transkrybować MP3 z wieloma mówcami?

Użyj narzędzia z wykrywaniem mówców i włącz je przed rozpoczęciem. Każda wypowiedź otrzyma numer, np. Speaker 1, który później zmienisz na imię. Microsoft Word Transcribe i whispertranscribe.ai oznaczają mówców; oficjalny Whisper w wierszu poleceń nie. Sprawdź oznaczenia tam, gdzie ludzie sobie przerywają, bo tam najczęściej się mylą.

Czy mogę zamienić MP3 w dokument Word?

Tak. Najszybciej transkrybować MP3 online i eksportować DOCX, otwierany w Word lub Google Docs. Z Microsoft 365 prześlij MP3 w Word przez Home, Dictate, Transcribe, Upload audio, a potem wybierz Add all to document. Subskrypcja obejmuje do 300 minut przesłanego audio miesięcznie.

Czy mogę zamienić MP3 w napisy zamiast transkrypcji?

Tak. Eksportuj jako SRT lub VTT zamiast DOCX lub TXT. Oba formaty zachowują czas każdego wiersza, aby odtwarzacz lub edytor wyświetlił tekst we właściwym momencie. W whispertranscribe.ai eksportuj SRT lub VTT po transkrypcji albo użyj konwertera MP3 do SRT. Whisper w wierszu poleceń też zapisuje SRT i VTT z opcją formatu wyjściowego.


Gotowe do wypróbowania? Prześlij plik do whispertranscribe.ai przez konwerter MP3 na tekst lub użyj bezpłatnego konwertera audio na tekst dla innych formatów. Oba działają w 130+ językach, z oznaczeniem mówców i eksportem DOCX, PDF, TXT, CSV, SRT i VTT.

Źródła

Chcesz zamienić swoje nagrania na tekst?

Transkrybuj nagrania audio i wideo za pomocą whispertranscribe.ai.

Rozpocznij transkrypcję ↗