Tłumaczenie mowy na tekst: jak transkrybować i tłumaczyć audio

Redakcja whispertranscribe.ai · Ostatnia aktualizacja: listopad 2026 · Czas czytania: 12 minut

Tłumaczenie mowy na tekst oznacza przekształcenie nagrania w jednym języku w tekst w innym. Można to zrobić na dwa sposoby: najpierw transkrybować nagranie w oryginalnym języku i przetłumaczyć tekst albo użyć modelu tworzącego tekst docelowy bezpośrednio z audio. Pierwszy sposób łatwiej sprawdzić, drugi jest szybszy.

Poniżej omawiamy oba procesy i ich słabe punkty, cztery praktyczne metody wraz z wielojęzycznymi napisami SRT i VTT, czynniki jakości, listę kontrolną oraz sytuacje, w których bezpieczniej skorzystać z profesjonalnego tłumacza.

Krótka odpowiedź: jak tłumaczyć mowę na tekst?

W przypadku większości nagrań najpierw wykonaj transkrypcję w oryginalnym języku, popraw ją i przetłumacz poprawiony tekst. Jeśli potrzebujesz tylko angielskiego i liczy się szybkość, narzędzie bezpośrednio tłumaczące mowę na angielski wystarczy do pierwszego szkicu. W obu przypadkach osoba znająca oba języki powinna sprawdzić wszystko, co publikujesz lub na czym polegasz.

  1. Transkrybuj w języku wypowiedzi. Wybierz język samodzielnie zamiast polegać na automatycznym rozpoznawaniu.
  2. Popraw transkrypcję źródłową. Najpierw nazwiska, liczby i terminy.
  3. Przetłumacz i sprawdź. Porównaj przekład z tekstem źródłowym i nagraniem.

Czym jest tłumaczenie mowy na tekst?

To każdy proces, który zaczyna się mową w języku A, a kończy tekstem w języku B. Sama transkrypcja pozostaje w jednym języku. Samo tłumaczenie zaczyna się od tekstu. Tu łączymy oba zadania, a sposób ich połączenia decyduje o łatwości kontroli wyniku.

Dwa procesy: kaskadowy i bezpośredni

Badacze nazywają pierwsze podejście kaskadą: rozpoznanie mowy, a następnie tłumaczenie tekstu. Drugie to bezpośrednie tłumaczenie mowy (end-to-end), w którym jeden model zamienia audio od razu na tekst docelowy. Whisper OpenAI potrafi tak działać, ale tylko na język angielski.

Transkrypcja, potem tłumaczenie (kaskada) Bezpośrednie tłumaczenie mowy
Widoczne etapy Dwa: transkrypcja źródłowa i przekład Jeden: audio na wejściu, tekst docelowy na wyjściu
Języki docelowe Każdy obsługiwany przez tłumacza tekstu Często ograniczone; zadanie translate w Whisper daje tylko angielski
Tekst w języku źródłowym Pozostaje do dyspozycji Zwykle nie powstaje
Gdzie wychwycić błędy Między etapami, w tekście źródłowym Tylko przez porównanie wyniku z audio
Późniejsze ponowne tłumaczenie Użyj poprawionej transkrypcji Przetwórz ponownie audio lub przetłumacz angielski
Najlepsze do Badań, publikacji, napisów w kilku językach, cytatów Szybkiego zrozumienia nagrania po angielsku

Co może pójść źle w każdym procesie?

W kaskadzie błędy się kumulują. Jeśli transkrypcja mówi „pięćdziesiąt”, a mówca powiedział „piętnaście”, przekład przeniesie błędną liczbę w poprawnej gramatycznie formie. Prosta poprawka: skoryguj transkrypcję przed tłumaczeniem.

W procesie bezpośrednim nie ma tekstu źródłowego do kontroli. Źle usłyszane i źle przetłumaczone słowo wyglądają w wyniku tak samo, więc osoba sprawdzająca musi wrócić do audio. Wynik może też brzmieć płynniej, niż uzasadnia to jego poprawność, przez co błędy trudniej dostrzec.

Którą metodę wybrać?

Wybierz według przeznaczenia tekstu i liczby potrzebnych języków.

Sytuacja Zalecana metoda Dlaczego
Potrzebujesz szybko zrozumieć obcojęzyczne nagranie Metoda 2: bezpośrednio na angielski Jeden etap, czytelny szkic
Cytujesz mówcę w artykule lub raporcie Metoda 1 oraz metoda 4 dla ważnych cytatów Możesz sprawdzić oryginalne słowa
Potrzebujesz napisów w co najmniej dwóch językach Metoda 3: źródłowy SRT lub VTT, potem tłumaczenie tekstu bloków Jeden plik czasu służy wszystkim językom
Wywiady badawcze do analizy i cytowania Metoda 1 Kodowanie i cytaty pozostają powiązane z oryginalną transkrypcją
Umowy, materiały sądowe, dokumentacja medyczna lub imigracyjna Metoda 4 z wykwalifikowanym specjalistą Błędy mają realne konsekwencje

Metoda 1: Transkrybuj w oryginalnym języku, potem przetłumacz tekst

To najbardziej elastyczna droga. Poprawiona transkrypcja jest kopią wzorcową, od której zaczyna się każdy przekład.

Krok 1: Transkrybuj w języku wypowiedzi

Prześlij plik do narzędzia transkrypcji i przed rozpoczęciem ustaw język. W whispertranscribe.ai, przeglądarkowym narzędziu opartym na modelu Whisper OpenAI, wybierasz spośród 130+ języków, z wariantami regionalnymi i trybami Noise / Low-Quality Audio/Video dla słabych nagrań. Istnieją osobne strony dla popularnych źródeł, takich jak audio po hiszpańsku i audio po chińsku. Dla osób zmieniających język opcja Multilingual Mix obejmuje angielski, hiszpański, francuski, niemiecki, hindi, rosyjski, portugalski, japoński, włoski i niderlandzki.

Jeśli nagranie jest w Google Drive, Dropbox, Vimeo lub YouTube, transkrybuj je z adresu URL zamiast pobierać. Włącz wykrywanie mówców dla wywiadów i spotkań. Przed nagrywaniem uzyskaj wymagane zgody uczestników i organizatora.

Krok 2: Popraw transkrypcję źródłową

Popraw ją przed tłumaczeniem, bo każdy pozostawiony błąd trafi do kolejnych języków. Najpierw wyszukaj nazwiska, nazwy produktów i skróty, a potem odsłuchaj każdą liczbę, którą zamierzasz zachować. Dokładność przy czystym dźwięku wynosi do 99%. Szum, silne akcenty i nakładanie się głosów ją obniżają, więc zaplanuj kontrolę.

Krok 3: Przetłumacz poprawiony tekst

Wyeksportuj transkrypcję jako DOCX lub TXT i użyj tłumacza tekstu. Najpierw sprawdź ograniczenia formatów. Według stanu na listopad 2026:

  • Google Translate tłumaczy dokumenty do 10 MB w formatach .docx, .pdf, .pptx i .xlsx; pliki PDF mogą mieć najwyżej 300 stron, zgodnie z pomocą Google Translate. Nie wymieniono plików napisów.
  • DeepL: strona formatów plików wymienia DOCX, PDF i TXT. Wymienia również SRT i VTT, w tym w planach Pro Individual, Pro Team, Pro Business i API, z limitem 150 KB lub 200 KB na plik napisów. Bezpłatne konto DeepL nie obejmuje TXT.

Jeżeli narzędzie pozwala, podaj tłumaczowi kontekst: kto mówi, do kogo i jak formalny ma być wynik.

Krok 4: Zachowaj obie wersje obok siebie

Zapisz źródło i przekład jako parę o zgodnych nazwach, np. interview-04_es_v2.docx i interview-04_en_v2.docx, aby każdą sporną linię dało się odnieść do oryginału.

Metoda 2: Transkrybuj bezpośrednio na angielski

Jeśli celem jest angielski, a przede wszystkim chcesz zrozumieć lub streścić nagranie, narzędzie bezpośrednie oszczędza jeden etap.

Korzystanie ze strony tłumaczenia audio na angielski

Strona tłumaczenia audio na angielski whispertranscribe.ai zamienia mowę w innych językach na tekst angielski. Tak opisuje ją sama strona; nie wymienia zestawu języków docelowych, bo wynikiem jest angielski.

  1. Wybierz język wypowiedzi. Krok 1 pyta o język nagrania, nie docelowy. Strona podaje, że właściwy wybór poprawia dokładność, i sugeruje inną opcję, jeśli wynik jest niezadowalający.
  2. Prześlij plik. Krok 2 przyjmuje typowe formaty audio i wideo, w tym MP3, WAV, M4A, MP4, MOV i MKV.
  3. Włącz wykrywanie mówców, jeśli mówi więcej niż jedna osoba. Strona wymienia tę funkcję dla tłumaczenia.
  4. Wybierz Translate audio to English, sprawdź angielski tekst i wyeksportuj go.

Traktuj wynik jako roboczy szkic; nie obiecujemy jakości tłumaczenia. Jeśli potrzebujesz też transkrypcji w języku oryginału, wykonaj zwykłą transkrypcję osobno.

Korzystanie z opensource Whisper na komputerze

Repozytorium Whisper OpenAI dokumentuje zadanie translate, którego wynikiem jest angielski:

whisper japanese.wav --model medium --language Japanese --task translate

Dwie uwagi z README: domyślny model turbo nie jest trenowany do tłumaczenia i zwraca oryginalny język nawet przy --task translate, więc użyj medium lub large; wynik jest wyłącznie angielski. Niemieckie audio na francuski tekst nadal wymaga tłumaczenia tekstu. Whisper CLI nie jest zainstalowany ani przetestowany w tej sesji.

Jak dobra jest ta metoda? Publikacja o Whisper podaje, że dane treningowe zawierały 125 000 godzin tłumaczeń X→angielski. Bez trenowania na CoVoST2, użytym benchmarku, Whisper uzyskał 29.1 BLEU, co autorzy nazwali nowym najlepszym wynikiem. BLEU mierzy podobieństwo między wynikiem maszynowym a przekładami referencyjnymi; nie jest odsetkiem poprawnych zdań. Ta sama publikacja zaznacza, że Whisper nadal ustępuje wcześniejszym systemom trenowanym bezpośrednio dla języków o dużych zasobach, a większa liczba danych treningowych przewiduje jakość tłumaczenia znacznie słabiej niż jakość transkrypcji.

Metoda 3: Utwórz wielojęzyczne napisy (SRT i VTT)

Dla wideo przygotuj jeden plik napisów w języku oryginalnym, a następnie tłumacz tylko tekst każdego bloku. Czasy pozostają identyczne we wszystkich językach.

Krok 1: Wygeneruj źródłowy plik napisów

Użyj generatora napisów lub konwertera MP4 do SRT i wyeksportuj SRT lub VTT w języku wypowiedzi. Najpierw popraw tekst i czasy w tym pliku; jest szablonem dla każdego języka.

Krok 2: Tłumacz tekst bloków, nie strukturę

Blok SRT ma numer, linię czasu i tekst. Zmienić powinien się tylko tekst. Oto fikcyjny przykład:

12
00:01:04,200 --> 00:01:07,900
La reunión empieza el 3 de mayo a las 15:00.
12
00:01:04,200 --> 00:01:07,900
Spotkanie zaczyna się 3 maja o 15:00.

Numer bloku i kod czasu pozostają identyczne. Datę i godzinę dostosowano do odbiorców. Jeśli tłumacz przyjmuje tylko dokumenty, skopiuj tekst do tabeli i wklej go z powrotem blok po bloku. Plany Pro DeepL przyjmują SRT i VTT bezpośrednio, jak wyżej.

Krok 3: Sprawdź długość czytania

Przetłumaczona linia może być dłuższa od oryginału, a blok wygodny do przeczytania w 3.7 sekundy może już się nie mieścić. Podziel długie bloki lub skróć sformułowanie, ale nie przesuwaj kodów czasu bez ponownego sprawdzenia z nagraniem.

Krok 4: Prześlij każdy język jako osobną ścieżkę

Nazwij pliki kodami językowymi, na przykład talk.en.srt i talk.es.srt, i prześlij każdy jako osobną ścieżkę napisów na platformie. Miękkie napisy pozwalają widzom zmieniać język.

Metoda 4: Dodaj kontrolę człowieka

W przypadku materiałów publikowanych, cytowanych lub używanych do podejmowania decyzji osoba dwujęzyczna powinna porównać przekład ze źródłem. Wynik maszynowy często brzmi płynnie nawet wtedy, gdy jest błędny.

Prosty arkusz kontroli przyspiesza pracę. Oto fikcyjny przykład formatu:

Blok Tekst źródłowy Tłumaczenie Oznaczenie Uwaga osoby sprawdzającej
#37 Vamos a cerrar el trato el lunes Zamkniemy umowę w poniedziałek OK —
#81 Eso no es moco de pavo To nie jest smark indyka Idiom Użyj „To nie byle co”
#126 Facturamos 1,5 millones Wystawiliśmy faktury na 1,5 miliona Liczba Potwierdź walutę z mówcą

Poproś osobę sprawdzającą o zwrócenie uwagi na nazwiska, liczby, cytaty, terminy prawne i medyczne oraz niejasne fragmenty. whispertranscribe.ai nie oferuje ludzkiej transkrypcji ani tłumaczenia, więc ten etap należy do Ciebie lub specjalisty.

Co wpływa na jakość tłumaczenia mowy na tekst?

Jakość kształtuje się dwukrotnie: gdy mowa zamienia się w tekst i gdy tekst zmienia język. Niektóre czynniki szkodzą obu etapom.

Czynnik Wpływ na transkrypcję Wpływ na tłumaczenie Co zrobić
Jakość audio (szum, echo, odległość) Pominięte lub źle usłyszane słowa Błędy przeniesione do każdego języka Nagrywaj blisko mikrofonu; użyj najczystszego oryginału
Akcenty i dialekty Więcej błędów w mowie regionalnej Regionalne słowa mogą zostać przetłumaczone dosłownie Wybierz wariant regionalny, jeśli istnieje
Terminy techniczne Zapis fonetyczny terminów Błędne lub niespójne odpowiedniki Przygotuj glosariusz i popraw terminy w źródle
Para językowa Zależy od języka mowy Popularne pary zwykle wypadają lepiej niż rzadkie Zaplanuj więcej kontroli dla rzadszych języków
Nazwy własne Nazwiska zamieniane na zwykłe słowa Nazwy „tłumaczone” lub zmieniane Sporządź listę nazw, wyszukaj i popraw
Zmiana języka w wypowiedzi Błędne rozpoznanie języka w środku zdania Mieszany tekst myli tłumacza Użyj trybu mieszanego; oznacz każdy język
Nakładająca się mowa Wypowiedzi połączone lub pominięte Utrata znaczenia wypowiedzi Osobne mikrofony; sprawdź etykiety przy przerwaniach

Zalecenia Google dotyczące danych mowy mówią, że kodeki stratne, takie jak MP3 i M4A, mogą obniżać dokładność, a szum i echo szkodzą bardziej w połączeniu z nimi. README OpenAI dodaje, że wyniki Whisper znacznie różnią się między językami. Warto więc przetestować krótki fragment przed dużą partią.

Lista kontrolna po tłumaczeniu

Przejdź tę listę po każdym tłumaczeniu, zanim zobaczy je ktoś spoza zespołu:

  • Liczby. Każda zgadza się z audio. Uważaj na przecinki dziesiętne: „1,5” w wielu językach europejskich to 1.5 po angielsku.
  • Waluty i jednostki. Waluta pozostaje taka jak u mówcy, chyba że zaznaczysz przeliczenie; kilometrów nie zamienia się po cichu na mile.
  • Nazwiska i tytuły. Ludzie, firmy i miejsca mają własną pisownię, nie są tłumaczone.
  • Daty i godziny. Kolejność dnia i miesiąca zależy od kraju, więc 03/04 może oznaczać 3 kwietnia lub 4 marca. Gdy to ważne, zapisz miesiąc słownie.
  • Cytaty. Sprawdź dosłowne cytaty z nagraniem, nie tylko z transkrypcją.
  • Idiomy i humor. Zastąp dosłowne przekłady naturalnymi odpowiednikami lub oznacz je.
  • Kontekst kulturowy. Odniesienia niezrozumiałe w drugim języku opatrz krótką uwagą zamiast po cichu je zmieniać.
  • Rejestr. Formalne i nieformalne formy (tú/usted, du/Sie) odpowiadają relacji między mówcami.
  • Etykiety mówców. Każda linia nadal należy do właściwej osoby.
  • Niejasne fragmenty. Oznacz niepewność jako [unclear] w obu językach zamiast zgadywać.

Kiedy potrzebujesz profesjonalnego tłumacza?

Skorzystaj z wykwalifikowanego tłumacza, gdy błąd może kosztować pieniądze, zdrowie, sytuację prawną lub zaufanie. To nie jest porada prawna; wymagania zależą od kraju, sądu i urzędu, więc sprawdź je u odbiorcy dokumentu.

Sytuacja Dlaczego wynik maszynowy nie wystarcza
Wnioski imigracyjne Przepisy USA (8 CFR 103.2(b)(3)) wymagają, aby dokumenty obcojęzyczne dla USCIS miały pełny przekład angielski poświadczony przez tłumacza, który stwierdza jego kompletność i dokładność oraz własne kompetencje
Dowody sądowe i zeznania Sądy często określają własne zasady dotyczące osób tłumaczących lub poświadczających
Umowy i porozumienia Jedno błędne słowo może zmienić zobowiązanie
Konsultacje i dokumentacja medyczna Dawki, objawy i zgoda muszą być dokładne
Publikowane cytaty i materiały prasowe Błędne cytowanie podważa zaufanie i może rodzić odpowiedzialność

Do mniej istotnych zastosowań, takich jak wewnętrzne notatki, szkice badawcze czy zrozumienie filmu, tłumaczenie maszynowe i własna kontrola zwykle wystarczą.

Jakiego formatu eksportu potrzebujesz?

Wybierz format według następnego kroku. Transkrypcje whispertranscribe.ai można eksportować jako DOCX, PDF, TXT, CSV, SRT i VTT.

Format Zastosowanie
DOCX Tłumaczenie w Wordzie, DeepL lub Google Translate; edycja z komentarzami
TXT Wklejenie do tłumacza lub innej aplikacji
PDF Niezmienna kopia zatwierdzonego tłumaczenia
CSV Arkusze porównawcze i kodowanie badań
SRT Ścieżki napisów dla YouTube, edytorów wideo i odtwarzaczy
VTT Napisy dla internetowych odtwarzaczy HTML5

Najczęstsze pytania

Czym różni się zamiana mowy na tekst od tłumaczenia mowy na tekst?

Zamiana mowy na tekst zachowuje oryginalny język: hiszpańskie audio staje się hiszpańskim tekstem. Tłumaczenie mowy na tekst kończy się w innym języku, więc hiszpańskie audio staje się tekstem angielskim. Można to zrobić w dwóch krokach, transkrybując i tłumacząc tekst, lub w jednym przy użyciu modelu piszącego bezpośrednio w języku docelowym. Dwa kroki łatwiej sprawdzić: można poprawić źródło przed tłumaczeniem i wykorzystać je ponownie w innych językach.

Czy Whisper może tłumaczyć audio na języki inne niż angielski?

Nie. Wbudowane zadanie translate Whisper tworzy wyłącznie tekst angielski. Przyjmuje mowę w wielu językach, ale pisze po angielsku. Dla innego języka docelowego transkrybuj audio w oryginalnym języku i przetłumacz tekst. README OpenAI zaznacza też, że domyślny model turbo nie jest trenowany do tłumaczenia i zwraca oryginalny język nawet po wybraniu tłumaczenia. Użyj modelu medium lub large.

Czy lepiej najpierw transkrybować, a potem tłumaczyć?

Zwykle tak, gdy wynik ma zostać opublikowany, zacytowany lub przetłumaczony na więcej niż jeden język. Transkrypcja daje tekst źródłowy do poprawy, więc źle usłyszane nazwisko czy liczbę poprawia się raz, zamiast w każdym przekładzie. Bezpośrednie tłumaczenie mowy na angielski jest szybsze i wystarcza do zrozumienia nagrania. Dla napisów w kilku językach najpraktyczniej zacząć od poprawionego SRT lub VTT.

Jak dokładne jest tłumaczenie mowy na tekst?

Zależy od audio, pary językowej i tematu; nie istnieje jedno uniwersalne wskazanie dokładności. Transkrypcja czystego dźwięku może być bardzo dokładna. whispertranscribe.ai osiąga do 99% przy czystym audio, a szum i akcenty obniżają wynik. Tłumaczenie dodaje własne błędy, zwłaszcza w idiomach, nazwach i terminach technicznych. Popularne pary językowe wypadają zwykle lepiej od rzadkich. Sprawdzaj liczby, nazwiska i cytaty, a ważne materiały daj do kontroli osobie dwujęzycznej.

Czy mogę przetłumaczyć napisy i zachować znaczniki czasu?

Tak. Tłumacz tylko tekst każdego bloku, pozostawiając numery i kody czasu. Możesz zrobić to ręcznie, wklejając tekst do tłumacza i z powrotem, albo użyć narzędzia obsługującego pliki napisów. DeepL wymienia SRT i VTT w planach Pro Individual, Pro Team, Pro Business i API. Funkcja dokumentów Google Translate nie wymienia formatów napisów. Po tłumaczeniu sprawdź, czy długie linie da się odczytać w czasie wyświetlania.

Czy mogę użyć tłumaczenia maszynowego dla nagrań prawnych lub medycznych?

Może posłużyć do wstępnego zapoznania się z treścią, ale nie jako wersja końcowa. Materiały prawne, medyczne, umowy i dokumenty imigracyjne często wymagają wykwalifikowanego tłumacza, a niektóre urzędy żądają przekładu poświadczonego. Na przykład amerykańskie przepisy imigracyjne wymagają poświadczenia tłumacza, że przekład angielski jest kompletny i dokładny. Wymagania różnią się zależnie od kraju i instytucji, więc sprawdź je u odbiorcy dokumentu. To informacje ogólne, nie porada prawna.


Gotowi zacząć? Prześlij nagranie do tłumaczenia audio na angielski albo najpierw transkrybuj je w oryginalnym języku dla napisów i innych języków docelowych. Możesz spróbować bezpłatnie bez konta. Płatne plany zaczynają się od $9.99/miesiąc przy płatności rocznej; zobacz cennik. whispertranscribe.ai nie oferuje API, ludzkiej transkrypcji ani bota spotkań.

Źródła

Chcesz zamienić swoje nagrania na tekst?

Transkrybuj nagrania audio i wideo za pomocą whispertranscribe.ai.

Rozpocznij transkrypcję ↗