Så transkriberar du MP3 till text: 4 metoder jämförda

Av whispertranscribe.ai-redaktionen · Senast uppdaterad: november 2026 · 12 minuters läsning

För att transkribera MP3 till text, ladda upp filen till ett AI-verktyg, välj talat språk och exportera DOCX, TXT eller SRT. Du kan också använda Microsoft Words Transcribe, skriva själv eller köra OpenAI:s gratis Whisper på datorn. Oavsett metod sätter MP3-filens kvalitet en gräns.

Nedan finns fyra metoder steg för steg, hur bitrate och samplingsfrekvens läses, en ljudchecklista, tips för långa filer och flera talare samt korrektur i tre omgångar.

Snabbsvar: så transkriberar du MP3 till text

För de flesta är ett onlineverktyg som whispertranscribe.ai snabbast: det tar MP3-filen, märker talare och ger en redigerbar fil. Använd Word om du redan betalar Microsoft 365, skriv korta klipp själv och kör Whisper lokalt när ljudet inte får lämna datorn.

  1. Kontrollera filen. Spela 30 sekunder och kontrollera att rösterna hörs tydligt.
  2. Ladda upp och ställ in. Välj talat språk och aktivera talardetektering om fler talar.
  3. Korrekturläs och exportera. Rätta namn och siffror, ladda ned DOCX eller TXT för dokument och SRT eller VTT för undertexter.

Vilken metod ska du välja?

Välj efter mängd ljud, behov av talarmärkning och vart ljudet får gå. Microsofts uppgifter kontrollerades i november 2026.

Metod Kostnad Talarmärkning Vart ljudet går Passar för
1. Onlineverktyg Ofta gratis start, betalt för volym Ja, i de flesta Leverantörens servrar Intervjuer, poddar, föreläsningar, regelbundet arbete
2. Microsoft Word Transcribe Ingår i Microsoft 365, upp till 300 uppladdade minuter per månad Ja (Speaker 1, Speaker 2) Microsofts servrar, fil i OneDrive Enstaka filer om du redan använder Word
3. Manuell transkribering Gratis men tar timmar Du lägger till Stannar på enheten Korta klipp och exakta citat
4. Whisper på datorn Gratis, öppen källkod Inte i det officiella verktyget Stannar på enheten Privat ljud, tekniska användare, batcher

Innan du börjar: kontrollera MP3 på 60 sekunder

MP3 är ett förstörande format. Library of Congress beskrivning förklarar att ljud som är mindre hörbart tas bort och att 128 kbit/s MP3 är cirka en elftedel av CD-ljudets storlek. Förlorade detaljer kan inte återställas.

I Windows öppna Properties → Details, på Mac Get Info. Med FFmpeg installerat visar kommandot codec, samplingsfrekvens, kanaler, bitrate och längd:

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

Originalartikeln uppger ett syntaxtest med FFmpeg 7.1 på en kort MP3; vi har inte verifierat kommandot här. Utdata kan innehålla sample_rate=44100 och bit_rate=128000. Så läser du dem:

Värde Betydelse Betydelse för transkribering
bit_rate Data per sekund efter komprimering Mycket låg bitrate ger färre detaljer som inte kan återställas
sample_rate Antal ljudmätningar per sekund Google rekommenderar 16,000 Hz eller högre för taligenkänning
channels Mono (1) eller stereo (2) Stereo går bra; Whisper blandar till mono vid inläsning
duration Inspelningens längd Visar om verktygets längd- eller minutgräns nås

Påverkar MP3-bitrate noggrannheten?

Det kan den. Google Clouds rekommendationer säger att förstörande codecs inklusive MP3 kan minska noggrannheten och att brus och eko skadar mer tillsammans med dem. Ingen tröskel för bitrate är publicerad, så se den som en faktor bland flera. Tydlig röst nära mikrofonen är viktigare än hög bitrate.

Transkribera bästa tillgängliga version. Finns original i WAV eller FLAC, använd det. Omkodning av 96 kbps till 320 kbps eller WAV ger större fil utan att återställa detaljer.

Vilken samplingsfrekvens behövs?

För taligenkänning räcker vanligen 16 kHz. Open-source Whisper läser filer via FFmpeg, gör mono och samplar om till 16,000 Hz (whisper/audio.py på GitHub). Google avråder också från egen omsampling. En telefoninspelning på 8,000 Hz bör skickas som den är.

Vanliga 44.1 kHz eller 48 kHz i MP3 räcker mer än väl. Ändra inte samplingsfrekvens före uppladdning.

Checklista för ljudkvalitet

Före viktigt arbete:

  • Lyssna på början och mitten. Är språket rätt och alla hörbara?
  • Kontrollera volymen. ffmpeg -i interview.mp3 -af volumedetect -f null - visar medel- och maxvolym. Max nära 0 dB kan betyda klippning, och distorderade toppar är svåra att återställa. Kommandot har inte testats här.
  • Undvik kraftig brusreducering. Google säger att sådan bearbetning före igenkänning typiskt minskar noggrannheten.
  • Lista namn, förkortningar och fackord för senare korrektur.
  • Behåll originalfilen tills transkriptet är klart.

Metod 1: Ladda upp MP3 till ett onlineverktyg

Onlineverktyg är snabbast för lång MP3: modellen körs på leverantörens servrar utan installation. Stegen använder whispertranscribe.ai, ett webbaserat verktyg byggt på OpenAI Whisper. Andra verktyg fungerar liknande med andra menyer.

Steg 1: Öppna MP3-sidan och välj språk

Gå till transkribera MP3 till text och välj talat språk under Step 1. Det finns 130+ språk, regionala varianter som English (India) och Noise / Low-Quality Audio/Video för svårt ljud.

Steg 2: Ladda upp MP3

Under Step 2 på whispertranscribe.ai drar du in eller väljer filen. Filer kan vara upp till 5GB och planer stöder 10 timmar. WAV, M4A, FLAC, MP4 och MOV fungerar också.

Steg 3: Aktivera Speaker Detection vid behov

För intervjuer, möten och poddar, aktivera Enable Speaker Detection så att varje tur märks.

Steg 4: Starta transkriberingen

Klicka Transcribe MP3 to text. Noggrannheten når upp till 99% på tydligt ljud. Brus, starka accenter och överlapp sänker den, så planera korrektur.

Steg 5: Exportera transkriptet

Ladda ned DOCX, PDF, TXT eller CSV för dokument och analys, eller SRT och VTT för tidsatta undertexter. För undertexter direkt, använd MP3 till SRT.

Du kan prova gratis utan konto. Betalda planer börjar från $9.99/månad vid årsbetalning; se priser. Stor video kan först minskas med ljud och video till MP3, och MP3 i Google Drive eller Dropbox går direkt till Transcribe from URL.

Bra att veta: onlineverktyg laddar upp ljudet till leverantörens servrar. För känsliga inspelningar, läs policyn eller använd metod 3 eller 4.

Metod 2: Microsoft Word Transcribe

Med Microsoft 365 kan Word transkribera MP3. Enligt Microsoft Support (november 2026) stöds .mp3, .wav, .m4a och .mp4 och talare skiljs åt.

  1. Logga in på Microsoft 365 och öppna ett dokument i Word för webben (ny Microsoft Edge eller Chrome) eller Word för Microsoft 365 på Windows.
  2. Gå till Home → Dictate (rullgardin) → Transcribe.
  3. Välj Upload audio och din MP3.
  4. Håll panelen öppen; Microsoft säger att det kan ta ungefär filens längd.
  5. Granska: spela ett avsnitt i upp till 2x, redigera text och byt namn på „Speaker 1“ överallt samtidigt.
  6. Välj Add all to document och spara som DOCX.

Gränser: Microsoft 365 ger upp till 300 minuter uppladdat ljud i månaden. Ett dokument har ett transkript och filerna sparas i Transcribed Files i OneDrive. Microsoft säger att Windows-versionen för närvarande är begränsad till kommersiella organisationer. Ingen SRT- eller VTT-export listas, så Word passar bättre för dokument än undertexter.

Metod 3: Transkribera MP3 manuellt

Eget skrivande är gratis och håller ljudet på enheten men är långsamt. Använd för korta klipp, exakta citat eller delar som maskinen missade.

  1. Öppna MP3 i en spelare som kan sakta ned och hoppa bakåt med kortkommando, med ett tomt dokument bredvid.
  2. Ställ in cirka 0.75x och arbeta i korta delar: spela fras, pausa, skriv och spola tillbaka vid behov.
  3. Märk talare vid varje tur, exempelvis INTERVJUARE: och MARIA:. W3C:s vägledning om transkript säger att en podcast kan bestå av stycken med identifierade talare.
  4. Markera ohörbara delar med tid, exempelvis [ohörbart 00:14:32], för återbesök.
  5. Gör en sista genomgång i normal hastighet medan du läser för att hitta felaktiga likaljudande ord.

Eller låt ett verktyg skriva utkastet och använd rutinen bara där den behövs.

Metod 4: Kör Whisper på egen dator

Whisper är OpenAI:s öppna taligenkänningsmodell, tränad på 680,000 timmar flerspråkigt ljud enligt OpenAI:s studie. Lokal körning är gratis och inget laddas upp. Nackdelen är installation: Python, FFmpeg och tålamod på långsammare datorer.

Installera enligt officiella repot:

pip install -U openai-whisper

FFmpeg måste vara installerat och finnas på PATH. Transkribera sedan:

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

Använd --output_format txt för ren text eller utelämna flaggan för TXT, VTT, SRT, TSV och JSON samtidigt. På CPU kan --fp16 False undvika en varning. Originalartikeln uppger test med openai-whisper 20250625 och tiny på ett kort public-domain-klipp; här har vi inte testat kommandona eftersom Whisper CLI inte var installerat.

Modell Parametrar Ungefärlig VRAM (OpenAI) Hastighet mot large (OpenAI)
tiny 39 M cirka 1 GB cirka 10x
small 244 M cirka 2 GB cirka 4x
medium 769 M cirka 5 GB cirka 2x
turbo (standard) 809 M cirka 6 GB cirka 8x
large 1550 M cirka 10 GB 1x

OpenAI beskriver turbo som optimerad large-v3 med minimal förlust, men den är inte tränad för översättning.

Vad du avstår från: det officiella verktyget har ingen talarmärkning, editor eller DOCX- och PDF-export och OpenAI säger att resultat varierar mycket mellan språk. Gemenskapsprojekt fyller vissa luckor med egna installationer.

Långa MP3-filer, flera talare och andra språk

Långa inspelningar

Kontrollera gränsen före uppladdning. whispertranscribe.ai stöder upp till 10 timmar och 5GB; Word har fem timmar per månad totalt. För kortare gränser kan FFmpeg dela MP3 i entimmesdelar utan omkodning:

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

Kommandot har inte testats här. En delning kan hamna mitt i en mening, så kontrollera skarvar när texten förenas. För föreläsningar, se föreläsningstranskribering.

Flera talare

Aktivera talardetektering och döp om generiska etiketter innan du delar. De felar oftast vid avbrott eller liknande röster, så kontrollera några turer per person. Ge varje person en egen mikrofon nästa gång.

Andra språk och accenter

Välj språk i stället för autodetektering, särskilt om filen börjar med musik. whispertranscribe.ai erbjuder Multilingual Mix för växling mellan engelska, spanska, franska, tyska, hindi, ryska, portugisiska, japanska, italienska och nederländska. För engelsk text från en icke-engelsk MP3, använd översätt ljud till engelska i stället för separata steg.

Korrekturläs MP3-transkript i 3 omgångar

AI-utkast har förutsägbara fel, så hela filen behöver sällan höras igen.

Omgång 1: Sök, lyssna inte. Använd sök och ersätt med namnlistan för att rätta upprepade fel.

Omgång 2: Lyssna på riskställen. Hoppa dit och jämför med ljudet:

Ställe Vanligt fel Kontroll
Siffror och datum „femton“ mot „femtio“, förlorade decimaler Spela varje siffra du citerar igen
Namn och varumärken Fonetisk stavning Jämför med ordlistan
Överlappande tal Meningar slås ihop eller faller bort Lyssna normalt och sedan långsammare
Talarbyte Rad tillskrivs fel person Kontrollera första raden efter varje byte
Tysta eller avlägsna röster Saknade ord Höj volymen för delen
Första och sista minuter Småprat, musik, fel språk Ta bort eller rätta vid behov

Omgång 3: Läs som dokument. Läs utan ljud; lyssna igen på det som inte är begripligt. Markera sådant du fortfarande inte hör som [otydligt] i stället för att gissa.

Vilket exportformat behöver du?

Välj efter nästa steg: dokument behöver DOCX eller TXT, videoöverlagring SRT eller VTT.

Format Användning
DOCX Redigering, rapporter, artiklar, programanteckningar
PDF Fast kopia för delning eller arkiv
TXT Inklistring i appar eller AI-sammanfattningar
CSV Kalkylblad och forskningsanalys
SRT Undertexter för YouTube, redigerare och spelare
VTT Undertexter för HTML5-webbspelare

För telefonens röstmemon har röstmemotranskribering samma exportalternativ.

Vanliga frågor

Kan jag transkribera MP3 gratis?

Ja. Att skriva själv är gratis och lokala OpenAI Whisper kostar inget utöver installationstid och hårdvara. Många onlineverktyg har en gratis start. whispertranscribe.ai erbjuder ett alternativ utan konto för att prova ditt ljud. Gratisnivåer begränsar ofta längd eller funktioner; jämför planer för regelbundet arbete. whispertranscribe.ai börjar från $9.99/månad vid årsbetalning.

Hur lång tid tar MP3-transkribering?

Med AI oftast mycket mindre än ljudets längd, men det beror på fil och tjänst. Microsoft säger att Word Transcribe kan ta ungefär filens längd. Lokala Whisper beror på hårdvara och modell; små modeller är snabbare men felar mer. Manuell transkribering tar flera gånger ljudets längd och används därför mest för korta klipp.

Förbättrar MP3 till WAV noggrannheten?

Nej. WAV eller högre bitrate ger större fil men kan inte återställa detaljer som MP3-komprimeringen tog bort. MP3 är förstörande. Finns originalet i WAV eller FLAC, transkribera det. Annars ladda upp MP3 som den är. Whisper samplar internt till 16 kHz mono, så egen omsampling hjälper inte.

Hur transkriberar jag MP3 med flera talare?

Använd ett verktyg med talardetektering och aktivera det före start. Varje tur får en numrerad etikett som Speaker 1 som du sedan döper om. Microsoft Word Transcribe och whispertranscribe.ai märker talare; officiella Whisper CLI gör det inte. Kontrollera etiketter där personer avbryter varandra.

Kan jag göra en MP3 till Word-dokument?

Ja. Snabbast är online-transkribering och DOCX-export, som öppnas i Word eller Google Docs. Med Microsoft 365 kan du ladda upp i Word via Home, Dictate, Transcribe, Upload audio och Add all to document. Abonnemanget innehåller upp till 300 uppladdade minuter per månad.

Kan MP3 bli undertexter i stället för transkript?

Ja. Exportera SRT eller VTT i stället för DOCX eller TXT. Formaten behåller tider för varje rad så att spelare och editor visar texten rätt. I whispertranscribe.ai exporterar du SRT eller VTT efter transkribering eller använder MP3 till SRT. Whisper CLI kan också skriva SRT och VTT med formatflaggan.


Redo att prova? Ladda upp till MP3 till text eller använd gratis ljud till text för andra format. Båda har 130+ språk, talarmärkning och export DOCX, PDF, TXT, CSV, SRT och VTT.

Källor

Vill du omvandla dina inspelningar till text?

Transkribera ljud och video med whispertranscribe.ai.

Börja transkribera ↗