Cách phiên âm MP3 thành văn bản: so sánh 4 phương pháp

Ban biên tập whispertranscribe.ai · Cập nhật: tháng 11 năm 2026 · Thời gian đọc: 12 phút

Để phiên âm MP3 thành văn bản, thả tệp vào công cụ phiên âm AI, chọn ngôn ngữ được nói và xuất kết quả thành DOCX, TXT hoặc SRT. Bạn cũng có thể dùng Transcribe của Microsoft Word, tự gõ hoặc chạy mô hình Whisper miễn phí của OpenAI trên máy tính. Dù chọn cách nào, chất lượng MP3 quyết định giới hạn kết quả.

Dưới đây là bốn phương pháp từng bước, cách đọc tốc độ bit và tần số lấy mẫu, danh sách kiểm tra âm thanh, mẹo cho tệp dài và nhiều người nói, cùng quy trình soát lỗi ba lượt.

Trả lời nhanh: cách phiên âm MP3 thành văn bản

Với phần lớn người dùng, công cụ trực tuyến nhanh nhất: nhận nguyên tệp MP3, gắn nhãn người nói và trả tệp có thể chỉnh sửa. Dùng Word nếu đã trả tiền Microsoft 365, tự gõ đoạn ngắn và chạy Whisper cục bộ khi âm thanh không được rời khỏi máy.

  1. Kiểm tra tệp. Phát 30 giây để xác nhận các giọng rõ ràng.
  2. Tải lên và đặt tùy chọn. Chọn ngôn ngữ được nói và bật nhận diện người nói nếu có nhiều người.
  3. Soát và xuất. Sửa tên và số, rồi tải DOCX hoặc TXT cho tài liệu, SRT hoặc VTT cho phụ đề.

Nên dùng phương pháp nào?

Chọn theo ba yếu tố: lượng âm thanh, nhu cầu nhãn người nói và nơi âm thanh được phép chuyển đến. Thông tin Microsoft được kiểm tra tháng 11/2026.

Phương pháp Chi phí Nhãn người nói Âm thanh đi đâu Phù hợp nhất
1. Công cụ phiên âm trực tuyến Nhiều công cụ cho bắt đầu miễn phí, gói trả phí cho khối lượng lớn Có ở hầu hết công cụ Máy chủ nhà cung cấp Phỏng vấn, podcast, bài giảng, công việc thường xuyên
2. Microsoft Word Transcribe Có trong Microsoft 365, tối đa 300 phút âm thanh tải lên mỗi tháng Có (Speaker 1, Speaker 2) Máy chủ Microsoft, tệp lưu trong OneDrive của bạn Tệp không thường xuyên nếu đã dùng Word
3. Phiên âm thủ công Miễn phí nhưng mất hàng giờ Bạn tự thêm Ở trên thiết bị Đoạn ngắn, trích dẫn cần chính xác từng chữ
4. Whisper trên máy tính Miễn phí, mã nguồn mở Không có trong công cụ chính thức Ở trên thiết bị Âm thanh riêng tư, người dùng kỹ thuật, xử lý hàng loạt

Trước khi bắt đầu: kiểm tra MP3 trong 60 giây

MP3 là định dạng mất dữ liệu. Mô tả định dạng của Thư viện Quốc hội giải thích rằng định dạng loại bỏ âm thanh con người ít có khả năng nghe thấy và MP3 128 kbit/s có kích thước khoảng một phần mười một âm thanh chất lượng CD. Chi tiết đã mất không thể khôi phục, nên hãy biết bạn đang xử lý gì.

Trên Windows, mở Properties → Details; trên Mac, Get Info. Khi đã cài FFmpeg, lệnh sau in codec, tần số lấy mẫu, kênh, tốc độ bit và thời lượng:

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

Lệnh có thể in các dòng như sample_rate=44100 và bit_rate=128000. Lệnh này chưa được kiểm thử trong môi trường hiện tại. Cách đọc:

Giá trị Cho biết Ý nghĩa với phiên âm
bit_rate Lượng dữ liệu mỗi giây còn lại sau nén Tốc độ bit rất thấp để lại ít chi tiết hơn; không thể thêm lại
sample_rate Số lần âm thanh được đo mỗi giây Google khuyến nghị 16,000 Hz trở lên cho nhận dạng giọng nói
channels Mono (1) hoặc stereo (2) Stereo vẫn được; Whisper trộn thành mono khi tải âm thanh
duration Độ dài bản ghi Cho biết bạn có chạm giới hạn thời lượng hoặc số phút của công cụ không

Tốc độ bit MP3 có ảnh hưởng độ chính xác phiên âm không?

Có thể. Hướng dẫn thực hành tốt về nhận dạng giọng nói của Google Cloud nói codec mất dữ liệu, gồm MP3, có thể làm giảm độ chính xác; tiếng ồn và tiếng vang gây hại nhiều hơn khi dùng codec mất dữ liệu. Không có ngưỡng tốc độ bit được công bố, nên hãy coi đây là một trong nhiều yếu tố. Giọng rõ gần micrô quan trọng hơn tốc độ bit cao.

Quy tắc thực tế: phiên âm phiên bản tốt nhất bạn có. Nếu còn bản gốc WAV hoặc FLAC, hãy dùng nó. Mã hóa lại tệp 96 kbps thành 320 kbps hoặc lưu thành WAV chỉ làm tệp lớn hơn mà không khôi phục chi tiết.

Nhận dạng giọng nói cần tần số lấy mẫu nào?

Với nhận dạng giọng nói, 16 kHz thường đủ. Mã Whisper nguồn mở của OpenAI tải mọi tệp qua FFmpeg, chuyển thành mono và lấy mẫu lại thành 16,000 Hz trước khi mô hình xử lý (whisper/audio.py trên GitHub). Hướng dẫn Google cũng khuyên không tự lấy mẫu lại. Bản ghi điện thoại ở 8,000 Hz nên được gửi nguyên trạng, không nâng mẫu.

44.1 kHz hoặc 48 kHz của MP3 thông thường là quá đủ. Không chuyển tần số lấy mẫu trước khi tải lên.

Danh sách kiểm tra chất lượng âm thanh

Trước công việc quan trọng:

  • Nghe phần đầu và một đoạn giữa. Ngôn ngữ có đúng và mọi người có nghe rõ không?
  • Kiểm tra âm lượng. ffmpeg -i interview.mp3 -af volumedetect -f null - in âm lượng trung bình và tối đa. Mức tối đa gần 0 dB có thể là méo đỉnh và khó khôi phục các đỉnh bị méo.
  • Tránh khử nhiễu mạnh. Hướng dẫn Google nói xử lý giảm nhiễu trước nhận dạng thường làm giảm độ chính xác.
  • Liệt kê tên, chữ viết tắt và thuật ngữ để kiểm tra sau.
  • Giữ tệp gốc cho đến khi bản phiên âm hoàn tất.

Phương pháp 1: tải MP3 lên công cụ phiên âm trực tuyến

Công cụ trực tuyến là cách nhanh nhất chuyển MP3 dài thành văn bản chỉnh sửa được: mô hình chạy trên máy chủ nhà cung cấp và không cần cài đặt. Các bước dưới đây dùng whispertranscribe.ai. whispertranscribe.ai là công cụ phiên âm AI trên web dựa trên mô hình Whisper của OpenAI, chuyển âm thanh và video thành văn bản bằng 130+ ngôn ngữ, nhận tệp tới 5GB và 10 giờ. Công cụ khác hoạt động tương tự với menu khác.

Bước 1: mở trang phiên âm MP3 và chọn ngôn ngữ

Vào trang phiên âm MP3 thành văn bản, trong Step 1 chọn ngôn ngữ được nói. Có 130+ ngôn ngữ, biến thể vùng như English (India) và tùy chọn Noise / Low-Quality Audio/Video cho bản ghi kém.

Bước 2: tải MP3 lên

Trong Step 2, kéo thả hoặc duyệt chọn tệp. Tệp có thể tới 5GB và các gói hỗ trợ bản ghi tới 10 giờ. WAV, M4A, FLAC, MP4 và MOV cũng được hỗ trợ.

Bước 3: bật Speaker Detection nếu cần

Với phỏng vấn, họp và podcast, bật Enable Speaker Detection để gắn nhãn từng lượt nói.

Bước 4: bắt đầu phiên âm

Nhấn Transcribe MP3 to text. Độ chính xác đạt tới 99% trên âm thanh rõ. Tiếng ồn nền, giọng đậm và người nói chồng làm giảm kết quả, nên hãy dự kiến soát lỗi.

Bước 5: xuất bản phiên âm

Tải DOCX, PDF, TXT hoặc CSV cho tài liệu và phân tích, hoặc SRT và VTT nếu cần phụ đề có thời gian. Nếu mục tiêu từ đầu là phụ đề, công cụ chuyển MP3 sang SRT tạo trực tiếp tệp phụ đề.

Bạn có thể dùng thử miễn phí không cần tài khoản trước khi chọn gói. Gói trả phí từ $9.99/tháng khi thanh toán hằng năm; xem giá. Tệp video lớn có thể được giảm trước bằng công cụ chuyển âm thanh và video sang MP3, còn MP3 trong Google Drive hoặc Dropbox có thể đưa trực tiếp vào Transcribe from URL.

Cần biết: công cụ trực tuyến tải âm thanh lên máy chủ nhà cung cấp. Với bản ghi mật, hãy đọc chính sách quyền riêng tư trước hoặc dùng phương pháp 3 hay 4.

Phương pháp 2: dùng Transcribe của Microsoft Word

Với Microsoft 365, Word có thể tự phiên âm MP3. Theo Microsoft Support (kiểm tra tháng 11/2026), Transcribe nhận .mp3, .wav, .m4a và .mp4 và tách người nói.

  1. Đăng nhập Microsoft 365 và mở tài liệu trong Word cho web (Microsoft Edge mới hoặc Chrome) hay Word cho Microsoft 365 trên Windows.
  2. Vào Home → Dictate (menu thả xuống) → Transcribe.
  3. Trong bảng Transcribe, chọn Upload audio và chọn MP3.
  4. Giữ bảng mở khi xử lý; Microsoft nói có thể mất khoảng bằng thời lượng tệp.
  5. Kiểm tra: phát lại bất kỳ đoạn nào tới 2x, sửa văn bản và đổi tên «Speaker 1» ở mọi nơi cùng lúc.
  6. Chọn Add all to document để đưa bản phiên âm vào trang, rồi lưu DOCX.

Giới hạn cần tính: Người dùng Microsoft 365 có tới 300 phút âm thanh tải lên mỗi tháng. Mỗi tài liệu có một bản phiên âm và tệp tải lên lưu trong thư mục Transcribed Files của OneDrive. Microsoft cho biết phiên bản Windows desktop hiện giới hạn cho khách hàng thương mại. Trang trợ giúp không liệt kê xuất SRT hoặc VTT, nên Word phù hợp tài liệu hơn phụ đề.

Phương pháp 3: phiên âm MP3 thủ công

Tự gõ miễn phí và giữ âm thanh trên thiết bị, nhưng chậm. Dùng cho đoạn ngắn, trích dẫn cần đúng từng chữ hoặc đoạn máy nhận sai.

  1. Mở MP3 trong trình phát có thể làm chậm và tua lùi bằng phím tắt, cùng một tài liệu trống bên cạnh.
  2. Đặt tốc độ khoảng 0.75x và làm từng đoạn ngắn: phát một cụm, dừng, gõ, tua lại nếu cần.
  3. Đánh dấu người nói mỗi lượt, ví dụ NGƯỜI PHỎNG VẤN: và MARIA:. Hướng dẫn W3C về bản phiên âm lưu ý bản phiên âm podcast có thể là các đoạn đơn giản có xác định người nói.
  4. Đánh dấu chỗ không nghe được bằng dấu thời gian như [không nghe rõ 00:14:32], để quay lại sau.
  5. Kiểm tra lần cuối ở tốc độ bình thường trong khi đọc theo để phát hiện từ đồng âm bị nhận sai.

Hoặc để công cụ viết bản nháp và chỉ áp dụng quy trình này ở những chỗ quan trọng.

Phương pháp 4: chạy Whisper trên máy tính của bạn

Whisper là mô hình nhận dạng giọng nói mã nguồn mở của OpenAI, được huấn luyện trên 680,000 giờ âm thanh đa ngôn ngữ theo bài báo nghiên cứu OpenAI. Chạy cục bộ miễn phí và không tải gì lên. Đổi lại cần cài đặt: Python, FFmpeg và sự kiên nhẫn trên máy chậm.

Cài đặt theo kho chính thức:

pip install -U openai-whisper

FFmpeg cũng phải được cài đặt và có trong PATH. Sau đó phiên âm:

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

Dùng --output_format txt cho văn bản thuần hoặc bỏ cờ để ghi TXT, VTT, SRT, TSV và JSON cùng lúc. Trên CPU, thêm --fp16 False để tránh cảnh báo. Whisper CLI chưa được cài tại đây, nên các lệnh này và mô hình tiny chưa được kiểm thử trong môi trường này.

Mô hình Tham số VRAM xấp xỉ (theo OpenAI) Tốc độ so với large (theo OpenAI)
tiny 39 M khoảng 1 GB khoảng 10x
small 244 M khoảng 2 GB khoảng 4x
medium 769 M khoảng 5 GB khoảng 2x
turbo (mặc định) 809 M khoảng 6 GB khoảng 8x
large 1550 M khoảng 10 GB 1x

OpenAI mô tả turbo là large-v3 được tối ưu với mất mát độ chính xác tối thiểu, nhưng không được huấn luyện để dịch.

Điều bạn đánh đổi: công cụ chính thức không có tùy chọn gắn nhãn người nói, trình chỉnh sửa hay xuất DOCX hoặc PDF; OpenAI lưu ý hiệu suất thay đổi nhiều theo ngôn ngữ. Các dự án cộng đồng lấp một số khoảng trống, mỗi dự án có cách cài đặt riêng.

Cách xử lý MP3 dài, nhiều người nói và ngôn ngữ khác

Bản ghi dài

Kiểm tra giới hạn trước khi tải. Gói whispertranscribe.ai hỗ trợ tệp tới 10 giờ và 5GB; hạn mức hàng tháng của Word tổng cộng năm giờ. Với công cụ có giới hạn ngắn hơn, FFmpeg có thể cắt MP3 thành các phần một giờ không cần mã hóa lại:

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

Điểm cắt có thể rơi giữa câu, nên kiểm tra chỗ nối khi ghép văn bản. Với lớp học và bài nói, xem phiên âm bài giảng.

Nhiều người nói

Bật nhận diện người nói, rồi đổi nhãn chung trước khi chia sẻ. Nhãn dễ sai nhất khi mọi người ngắt lời hoặc có giọng giống nhau, nên kiểm tra ngẫu nhiên vài lượt của mỗi người. Lần tiếp theo hãy cho mỗi người một mic riêng.

Ngôn ngữ và giọng khác

Hãy tự chọn ngôn ngữ thay vì tự nhận diện, đặc biệt nếu tệp mở đầu bằng nhạc. whispertranscribe.ai có Multilingual Mix cho bản ghi chuyển giữa tiếng Anh, Tây Ban Nha, Pháp, Đức, Hindi, Nga, Bồ Đào Nha, Nhật, Ý và Hà Lan. Nếu cần văn bản tiếng Anh từ MP3 không phải tiếng Anh, dùng dịch âm thanh sang tiếng Anh thay vì phiên âm rồi dịch riêng.

Cách soát bản phiên âm MP3: quy trình 3 lượt

Bản nháp AI sai ở những nơi có thể đoán trước, nên hiếm khi cần nghe lại toàn bộ tệp.

Lượt 1: Tìm kiếm, không nghe. Dùng tìm và thay thế cùng danh sách tên, thuật ngữ để sửa mọi lỗi chính tả một lần.

Lượt 2: Nghe các điểm dễ lỗi. Chuyển đến những chỗ sau và đối chiếu với âm thanh:

Điểm dễ lỗi Lỗi thường gặp Cách kiểm tra
Số và ngày «mười lăm» thành «năm mươi», mất chữ số thập phân Phát lại từng con số định trích dẫn
Tên và thương hiệu Viết theo âm nghe được So với danh sách thuật ngữ
Lời nói chồng Hai câu bị gộp hoặc một câu bị bỏ Nghe tốc độ bình thường, rồi chậm hơn
Đổi người nói Dòng bị gán cho sai người Kiểm tra dòng đầu sau mỗi lần đổi
Giọng nhỏ hoặc xa Thiếu từ Tăng âm lượng cho đoạn đó
Những phút đầu và cuối Nói chuyện phiếm, nhạc, đoán sai ngôn ngữ Xóa hoặc sửa khi cần

Lượt 3: Đọc như tài liệu. Đọc một lượt không nghe âm thanh; đoạn không hợp lý thì nghe lại. Đánh dấu chỗ vẫn không nghe được là [không rõ] thay vì đoán.

Bạn cần định dạng xuất nào?

Chọn theo bước tiếp theo: tài liệu cần DOCX hoặc TXT; nội dung hiển thị trên video cần SRT hoặc VTT.

Định dạng Dùng cho
DOCX Chỉnh sửa, báo cáo, bài viết, ghi chú chương trình
PDF Bản cố định để chia sẻ hoặc lưu trữ
TXT Dán vào ứng dụng khác hoặc tóm tắt AI
CSV Bảng tính và phân tích nghiên cứu
SRT Phụ đề cho YouTube, trình chỉnh video và trình phát
VTT Phụ đề cho trình phát video web HTML5

Với ghi chú giọng nói từ điện thoại, trang phiên âm ghi chú giọng nói có cùng các tùy chọn xuất.

Câu hỏi thường gặp

Có thể phiên âm MP3 thành văn bản miễn phí không?

Có. Tự gõ luôn miễn phí, còn chạy Whisper mã nguồn mở của OpenAI trên máy tính không tốn phí ngoài thời gian cài đặt và phần cứng. Nhiều công cụ trực tuyến cũng cho bắt đầu miễn phí. whispertranscribe.ai có tùy chọn miễn phí không cần tài khoản để kiểm tra kết quả âm thanh. Tùy chọn miễn phí thường giới hạn thời lượng hoặc chức năng, nên nếu làm thường xuyên hãy so sánh gói trả phí; whispertranscribe.ai từ $9.99/tháng khi thanh toán hằng năm.

Phiên âm tệp MP3 mất bao lâu?

Với AI, thường ít hơn nhiều thời lượng âm thanh, nhưng tùy tệp và dịch vụ. Microsoft nói Transcribe của Word có thể mất khoảng bằng thời lượng tệp. Chạy Whisper cục bộ tùy phần cứng và mô hình; mô hình nhỏ nhanh hơn nhưng sai nhiều hơn. Gõ thủ công mất nhiều lần thời lượng âm thanh, nên phần lớn chỉ tự gõ đoạn ngắn.

Chuyển MP3 sang WAV có cải thiện độ chính xác không?

Không. Lưu MP3 thành WAV hoặc mã hóa lại với tốc độ bit cao hơn làm tệp lớn hơn nhưng không thể khôi phục chi tiết bị loại khi tạo MP3. MP3 là định dạng mất dữ liệu. Nếu còn bản ghi WAV hoặc FLAC gốc, hãy phiên âm bản đó. Nếu không, tải MP3 nguyên trạng. Các hệ thống như Whisper tự lấy mẫu lại âm thanh thành 16 kHz mono bên trong, nên tự chuyển tần số cũng không giúp.

Làm sao phiên âm MP3 có nhiều người nói?

Dùng công cụ có nhận diện người nói và bật trước khi bắt đầu. Bản phiên âm sẽ gắn nhãn số cho từng lượt, như Speaker 1, rồi bạn đổi thành tên thật. Microsoft Word Transcribe và whispertranscribe.ai đều gắn nhãn; công cụ dòng lệnh Whisper chính thức không có. Kiểm tra nhãn ở chỗ mọi người ngắt lời vì đó là nơi dễ nhầm nhất.

Có thể chuyển MP3 thành tài liệu Word không?

Có. Cách nhanh nhất là phiên âm MP3 bằng công cụ trực tuyến và xuất DOCX, mở trực tiếp trong Word hoặc Google Docs. Nếu có Microsoft 365, bạn cũng có thể tải MP3 trong Word qua Home, Dictate, Transcribe, Upload audio, rồi chọn Add all to document. Đăng ký Microsoft 365 gồm tới 300 phút âm thanh tải lên mỗi tháng.

Có thể biến MP3 thành phụ đề thay vì bản phiên âm không?

Có. Xuất bản phiên âm thành SRT hoặc VTT thay vì DOCX hay TXT. Cả hai giữ thời gian từng dòng để trình phát hoặc trình chỉnh video hiển thị đúng lúc. Với whispertranscribe.ai, bạn có thể xuất SRT hoặc VTT sau phiên âm hoặc dùng công cụ MP3 sang SRT. Công cụ dòng lệnh Whisper cũng có thể ghi SRT và VTT bằng tùy chọn định dạng đầu ra.


Sẵn sàng thử? Tải tệp lên công cụ chuyển MP3 thành văn bản của whispertranscribe.ai hoặc dùng công cụ chuyển âm thanh thành văn bản miễn phí cho định dạng khác. Cả hai hoạt động bằng 130+ ngôn ngữ, có nhãn người nói và xuất DOCX, PDF, TXT, CSV, SRT và VTT.

Tài liệu tham khảo

Bạn muốn chuyển bản ghi của mình thành văn bản?

Chuyển lời nói trong tệp âm thanh và video thành văn bản bằng whispertranscribe.ai.

Bắt đầu chuyển thành văn bản ↗