作者:whispertranscribe.ai Editorial Team · 最后更新:2026 年 11 月 · 阅读约 12 分钟
把 MP3 转成文字,最简单的做法是:把文件拖进 AI 转写工具,选好说话的语言,再把结果导出为 DOCX、TXT 或 SRT。你也可以用 Microsoft Word 的 Transcribe 功能、自己动手打字,或者在自己电脑上运行 OpenAI 免费的 Whisper 模型。不管用哪种方法,MP3 本身的音质决定了效果的上限。
下面会逐步讲清这四种方法,教你看懂文件的比特率和采样率,附一份音频检查清单、长文件和多人对话的处理建议,以及一套三遍校对流程。
简短回答:MP3 怎么转文字
对大多数人来说,在线工具最快:MP3 直接上传,能标出说话人,返回可编辑的文件。已经在付费用 Microsoft 365 的,可以用 Word;短片段可以手动打;音频不能离开本机时,就在本地跑 Whisper。
- 检查文件。 播放 30 秒,确认人声清楚。
- 上传并设置选项。 选好说话的语言;如果不止一个人说话,打开说话人识别。
- 校对并导出。 改正人名和数字,然后下载:做文档用 DOCX 或 TXT,做字幕用 SRT 或 VTT。
该用哪种方法?
看三件事:音频有多少、需不需要说话人标签、音频能传到哪里。Microsoft 相关信息核对于 2026 年 11 月。
| 方法 | 费用 | 说话人标签 | 音频去向 | 最适合 |
|---|---|---|---|---|
| 1. 在线转写工具 | 很多工具可免费开始,量大需付费 | 有,大多数工具支持 | 服务商的服务器 | 采访、播客、讲座、日常工作 |
| 2. Microsoft Word Transcribe | 包含在 Microsoft 365 中,每月最多上传 300 分钟 | 有(Speaker 1、Speaker 2) | Microsoft 的服务器,文件保存在你的 OneDrive | 本来就用 Word、偶尔转几个文件 |
| 3. 手动转写 | 免费,但要花好几个小时 | 自己加 | 留在你的设备上 | 短片段、必须一字不差的引文 |
| 4. 在自己电脑上跑 Whisper | 免费,开源 | 官方工具没有 | 留在你的设备上 | 私密音频、技术用户、批量处理 |
开始之前:花 60 秒检查你的 MP3
MP3 是有损格式。Library of Congress 的格式说明解释过,它会丢掉人耳不太容易听到的声音;一个 128 kbit/s 的 MP3,大小约为 CD 音质音频的十一分之一。丢掉的细节找不回来,所以先弄清楚手上的文件是什么情况。
Windows 上打开 Properties → Details;Mac 上用 Get Info。装了 FFmpeg 的话,下面这条命令会列出编码、采样率、声道数、比特率和时长:
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
译注:用 ffprobe 查看 interview.mp3 第一条音轨的编码、采样率、声道、比特率和文件时长。
我们用 FFmpeg 7.1 在一个很短的示例 MP3 上跑过,确认语法没问题;它会输出 sample_rate=44100、bit_rate=128000 这样的行。怎么看:
| 数值 | 说明什么 | 对转写意味着什么 |
|---|---|---|
| bit_rate | 压缩后每秒保留了多少数据 | 比特率很低,细节就少;事后补不回来 |
| sample_rate | 每秒对声音采样多少次 | Google 建议语音识别用 16,000 Hz 或更高 |
| channels | 单声道(1)还是立体声(2) | 立体声没问题;Whisper 读取音频时会混成单声道 |
| duration | 录音时长 | 看会不会超出工具的时长或分钟数上限 |
MP3 比特率会影响转写准确率吗?
有可能。Google Cloud 的语音识别最佳实践指出,包括 MP3 在内的有损编码“may reduce accuracy”(可能降低准确率),而且在有损编码的情况下,噪音和回声的影响更大。目前没有公开的比特率门槛,所以把比特率当作多个因素之一就好。人声清楚、离麦克风近,比比特率高更重要。
实用原则:用你手上最好的那个版本去转。原始的 WAV 或 FLAC 还在,就用它。把 96 kbps 的文件重新编码成 320 kbps,或者另存为 WAV,只会让文件变大,什么也恢复不了。
语音识别需要多高的采样率?
做语音识别,16 kHz 通常就够了。OpenAI 开源的 Whisper 代码会先用 FFmpeg 读取每个文件,转成单声道,再重采样到 16,000 Hz,然后才交给模型(见 GitHub 上的 whisper/audio.py)。Google 的指南也建议不要自己重采样。以 8,000 Hz 录的电话录音,原样上传即可,不要升采样。
常见 MP3 的 44.1 kHz 或 48 kHz 已经绰绰有余。上传前不要转换采样率。
音频质量检查清单
重要的录音,先过一遍:
- 听一下开头和中间一段。 语言对不对,每个人都听得清吗?
- 检查音量。
ffmpeg -i interview.mp3 -af volumedetect -f null -会输出平均音量和最大音量。最大值接近 0 dB 可能说明有削波,失真的峰值很难救回来。 - 别做重度降噪。 Google 的指南说,识别前做降噪处理“typically reduces recognition accuracy”(通常会降低识别准确率)。
- 列出人名、缩写和专业术语,留着校对时用。
- 保留原始文件,直到文字稿定稿。
方法 1:把 MP3 上传到在线转写工具
要把很长的 MP3 变成可编辑文字,在线工具最快:模型在服务商的服务器上跑,什么都不用装。下面的步骤以 whispertranscribe.ai 为例。whispertranscribe.ai 是一款网页版 AI 转写工具,能把音频和视频转成文字,支持 130+ languages,单个文件最大 5GB、10 小时,由 OpenAI 的 Whisper 模型驱动。其他工具流程类似,只是菜单不同。
第 1 步:打开 MP3 转写页面,选择语言
打开 MP3 转文字页面,在 Step 1 下选择说话的语言。可选 130+ languages,还有 English (India) 这样的地区变体,以及针对质量较差录音的 Noise / Low-Quality Audio/Video 选项。
第 2 步:上传 MP3
在 Step 2 下拖入文件或点击浏览选择文件。单个文件最大 5GB,套餐支持最长 10 小时的录音。WAV、M4A、FLAC、MP4 和 MOV 也可以。
第 3 步:需要时打开说话人识别
采访、会议和播客,打开 Enable Speaker Detection,每段发言都会标上说话人。
第 4 步:开始转写
点击 Transcribe MP3 to text。清晰音频的准确率最高可达 99%。背景噪音、口音重、多人同时说话都会拉低准确率,所以要预留校对时间。
第 5 步:导出文字稿
做文档和分析,下载 DOCX、PDF、TXT 或 CSV;需要带时间轴的字幕,下载 SRT 和 VTT。如果一开始就是为了做字幕,MP3 转 SRT 工具可以直接生成字幕文件。
选套餐前,可以先免注册免费试用。付费套餐 from $9.99/month billed annually,详见价格页。视频文件太大,可以先用音视频转 MP3 工具压缩;放在 Google Drive 或 Dropbox 里的 MP3,可以直接用 Transcribe from URL。
提醒一句: 在线工具会把音频上传到服务商的服务器。机密录音请先看隐私政策,或者改用方法 3 或方法 4。
方法 2:用 Microsoft Word 的 Transcribe 功能
有 Microsoft 365 的话,Word 自己就能转写 MP3。根据 Microsoft Support(核对于 2026 年 11 月),Transcribe 支持 .mp3、.wav、.m4a 和 .mp4 文件,并能区分说话人。
- 登录 Microsoft 365,在 Word for the web(新版 Microsoft Edge 或 Chrome)或 Windows 上的 Word for Microsoft 365 里打开一个文档。
- 依次点 Home → Dictate(下拉菜单)→ Transcribe。
- 在 Transcribe 窗格里选 Upload audio,选中你的 MP3。
- 处理期间别关窗格;Microsoft 说最长可能需要和文件差不多长的时间。
- 检查结果:任意段落都能以最高 2 倍速回放,可以改文字,也可以一次性把所有 "Speaker 1" 改名。
- 选 Add all to document,把文字稿放进文档,再保存为 DOCX。
要提前考虑的限制: Microsoft 365 用户每月最多可上传 300 分钟音频。每个文档只能放一份文字稿,上传的文件会存进 OneDrive 里的 Transcribed Files 文件夹。Microsoft 表示 Windows 桌面版目前仅限商业租户使用。帮助页没有提到 SRT 或 VTT 导出,所以 Word 更适合做文档,不太适合做字幕。
方法 3:手动转写 MP3
自己打字不花钱,音频也不离开你的设备,但很慢。适合短片段、要求一字不差的引文,或者机器转错的段落。
- 用一个能放慢播放速度、能用快捷键往回跳的播放器打开 MP3,旁边开一个空白文档。
- 把播放速度调到约 0.75 倍,一小段一小段地来:播一句、暂停、打字,需要就倒回去。
- 每次换人说话时标出说话人,比如
INTERVIEWER:和MARIA:。W3C 关于文字稿的指南提到,播客文字稿可以就是简单的段落,标明说话人即可。 - 听不清的地方加时间戳标记,比如
[inaudible 00:14:32],方便回头再处理。 - 最后用正常速度边听边读一遍,揪出用错的同音词。
或者让工具先出初稿,只在关键部分用上面这套流程。
方法 4:在自己电脑上运行 Whisper
Whisper 是 OpenAI 开源的语音识别模型,根据 OpenAI 的研究论文,它用 680,000 小时的多语言音频训练而成。在本地运行免费,而且什么都不会上传。代价是需要配置:要有 Python、FFmpeg,机器慢的话还得有耐心。
按官方仓库的说明安装:
pip install -U openai-whisper
译注:用 pip 安装或升级 openai-whisper。
还需要装好 FFmpeg 并加入 PATH。然后开始转写:
whisper interview.mp3 --model turbo --language English --output_format srt
译注:用 turbo 模型、按英语转写 interview.mp3,输出 SRT 字幕文件。
用 --output_format txt 输出纯文本;去掉这个参数,则会一次写出 TXT、VTT、SRT、TSV 和 JSON。在 CPU 上运行时加 --fp16 False,可以跳过一条警告。我们用 openai-whisper 20250625 和 tiny 模型,在一段很短的公有领域音频上跑过这些命令,确认语法没问题。
| 模型 | 参数量 | 大约显存(据 OpenAI) | 相对 large 的速度(据 OpenAI) |
|---|---|---|---|
| tiny | 39 M | 约 1 GB | 约 10x |
| small | 244 M | 约 2 GB | 约 4x |
| medium | 769 M | 约 5 GB | 约 2x |
| turbo(默认) | 809 M | 约 6 GB | 约 8x |
| large | 1550 M | 约 10 GB | 1x |
OpenAI 称 turbo 是优化过的 large-v3,准确率损失很小,但没有针对翻译做训练。
你要放弃的东西: 官方工具没有说话人标注选项、没有编辑器,也不能导出 DOCX 或 PDF;OpenAI 还提到,不同语言的表现差别很大。一些社区项目补上了部分功能,但各有各的配置方式。
长 MP3、多个说话人和其他语言怎么处理
长录音
上传前先看限制。whispertranscribe.ai 的套餐支持最长 10 小时、最大 5GB 的文件;Word 每月的额度总共是五小时。如果工具的上限更短,可以用 FFmpeg 把 MP3 切成一小时一段,不需要重新编码:
ffmpeg -i lecture.mp3 -f segment -segment_time 3600 -c copy lecture_part_%03d.mp3
译注:把 lecture.mp3 按每 3600 秒(一小时)切成一段,直接复制音频流不重新编码,输出 lecture_part_000.mp3 等文件。
切点可能落在一句话中间,合并文字时检查一下接缝处。课程和讲座,可以看讲座转写。
多个说话人
打开说话人识别,分享之前把通用标签改成真名。有人插话或者几个人声音相近时,标签最容易出错,所以每个说话人都抽查几段。下次录音时,给每个人配一支麦克风。
其他语言和口音
手动选语言,别用自动检测,尤其是文件开头有音乐的时候。whispertranscribe.ai 提供 Multilingual Mix 选项,适用于在英语、西班牙语、法语、德语、印地语、俄语、葡萄牙语、日语、意大利语和荷兰语之间切换的录音。如果需要把非英语 MP3 变成英文文字,用音频翻译成英文,不用先转写再单独翻译。
MP3 文字稿怎么校对:三遍工作法
AI 初稿出错的地方很有规律,所以很少需要把整个文件重听一遍。
第一遍:搜索,不用听。 拿着你的人名和术语清单做查找替换,一次改掉所有拼错的地方。
第二遍:只听易错点。 跳到下面这些位置,对照音频检查:
| 易错点 | 常见问题 | 怎么检查 |
|---|---|---|
| 数字和日期 | "fifteen" 和 "fifty" 混淆,小数点丢失 | 要引用的每个数字都重听一遍 |
| 人名和品牌 | 按读音拼写 | 对照你的术语清单 |
| 多人同时说话 | 两句话被合成一句,或者漏掉一句 | 先用正常速度听,再放慢听 |
| 换人说话处 | 话被算到错的人头上 | 检查每次换人后的第一句 |
| 小声或离得远的声音 | 漏词 | 把这一段音量调大 |
| 开头和最后几分钟 | 寒暄、音乐、语言猜错 | 按需删除或修正 |
第三遍:当成文档来读。 不听音频读一遍;读不通的地方再去听。仍然听不清的,标成 [unclear],不要猜。
需要哪种导出格式?
看下一步拿它做什么:做文档用 DOCX 或 TXT,要显示在视频上的用 SRT 或 VTT。
| 格式 | 用途 |
|---|---|
| DOCX | 编辑、报告、文章、节目笔记 |
| 用于分享或存档的固定版本 | |
| TXT | 粘贴到其他应用或交给 AI 做摘要 |
| CSV | 表格和研究分析 |
| SRT | YouTube、视频剪辑软件和播放器用的字幕 |
| VTT | HTML5 网页视频播放器用的字幕 |
手机里的语音备忘录,可以看语音备忘录转写页面,导出选项相同。
常见问题
MP3 能免费转文字吗?
能。自己打字永远免费;在自己电脑上运行 OpenAI 开源的 Whisper,除了配置时间和硬件,也不花钱。很多在线工具也有免费的入门方式。whispertranscribe.ai 提供不用注册账号的免费选项,适合先看看你的音频转出来效果如何。免费选项通常会限制时长或功能,日常使用的话,比较一下付费套餐;whispertranscribe.ai starts from $9.99/month billed annually。
转写一个 MP3 文件要多久?
用 AI 工具,通常远少于音频本身的时长,但具体取决于文件和服务。Microsoft 说 Word 的 Transcribe 最长可能需要和文件差不多长的时间。本地跑 Whisper 取决于你的硬件和模型;小模型更快,但错误更多。手动打一份文字稿,要花音频时长好几倍的时间,所以大多数人只手动转写短片段。
把 MP3 转成 WAV 能提高转写准确率吗?
不能。把 MP3 另存为 WAV,或者用更高的比特率重新编码,文件会变大,但没法恢复制作 MP3 时被去掉的细节。MP3 是有损格式。原始的 WAV 或 FLAC 录音还在的话,就转写那个文件;否则直接上传 MP3。Whisper 这类语音引擎会在内部把音频重采样为 16 kHz 单声道,所以自己转换采样率也没有帮助。
有多个说话人的 MP3 怎么转写?
用带说话人识别的工具,并在开始前打开这个功能。文字稿会给每段发言加上 Speaker 1 这样的编号标签,之后你再改成真名。Microsoft Word 的 Transcribe 和 whispertranscribe.ai 都能标注说话人;官方的 Whisper 命令行工具不能。重点检查有人插话的地方,说话人最容易在那里被弄混。
MP3 能转成 Word 文档吗?
能。最快的办法是用在线工具转写 MP3,导出为 DOCX,直接用 Word 或 Google Docs 打开。有 Microsoft 365 的话,也可以在 Word 里依次点 Home、Dictate、Transcribe、Upload audio 上传 MP3,再选 Add all to document。Microsoft 365 订阅每月包含最多 300 分钟的上传音频。
能把 MP3 做成字幕,而不是文字稿吗?
能。导出时选 SRT 或 VTT,而不是 DOCX 或 TXT。这两种格式会保留每一行的时间信息,视频播放器或剪辑软件就能在正确的时刻显示文字。用 whispertranscribe.ai,转写后可以导出 SRT 或 VTT,也可以直接用 MP3 转 SRT 工具。Whisper 的命令行工具也能通过输出格式参数写出 SRT 和 VTT 文件。
想试试? 把文件上传到 whispertranscribe.ai 的 MP3 转文字工具,其他格式可以用免费音频转文字工具。两者都支持 130+ languages,带说话人标签,可导出 DOCX、PDF、TXT、CSV、SRT 和 VTT。
参考资料
- Library of Congress:MP3(MPEG Layer III 音频编码)
- Google Cloud:向 Speech-to-Text API 提供数据的最佳实践
- Microsoft Support:转写你的录音
- OpenAI:GitHub 上的 Whisper(README 和
whisper/audio.py) - Radford 等,OpenAI:通过大规模弱监督实现稳健的语音识别(Robust Speech Recognition via Large-Scale Weak Supervision)
- W3C Web Accessibility Initiative:文字稿(Transcripts)
