MP3 怎么转文字:4 种方法对比

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。

  1. 检查文件。 播放 30 秒,确认人声清楚。
  2. 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。
  3. 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。

  1. 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。
  2. 依次点 Home → Dictate(下拉菜单)→ Transcribe。
  3. 在 Transcribe 窗格里选 Upload audio,选中你的 MP3。
  4. 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。
  5. 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。
  6. 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。

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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
PDF 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

想把录音转成文字?

用 whispertranscribe.ai 转录音频和视频。

开始转录 ↗