MP3 怎麼轉成文字?4 種方法比較

作者:whispertranscribe.ai 編輯團隊 · 最後更新:2026 年 11 月 · 閱讀約 12 分鐘

把 MP3 轉成文字,最簡單的做法是:把檔案拖進 AI 轉錄工具,選好使用的語言,再把結果匯出為 DOCX、TXT 或 SRT。你也可以用 Microsoft Word 的 Transcribe 功能、自己動手打字,或者在自己電腦上運行 OpenAI 免費的 Whisper 模型。不管用哪種方法,MP3 本身的音質決定了效果的上限。

下面會逐步講清這四種方法,教你看懂檔案的位元率和取樣率,附一份音訊檢查清單、長檔案和多人對話的處理建議,以及一套三遍校對流程。

簡短回答:MP3 怎麼轉文字

對大多數人來說,線上工具最快:MP3 直接上傳,能標出說話者,返回可編輯的檔案。已經在付費用 Microsoft 365 的,可以用 Word;短片段可以手動打;音訊不能離開本機時,就在本地跑 Whisper。

  1. 檢查檔案。 播放 30 秒,確認人聲清楚。
  2. 上傳並設定選項。 選好使用的語言;如果不止一個人說話,開啟說話者辨識。
  3. 校對並匯出。 改正人名和數字,然後下載:做文件用 DOCX 或 TXT,做字幕用 SRT 或 VTT。

該用哪種方法?

看三件事:音訊有多少、需不需要說話者標籤、音訊能傳到哪裡。Microsoft 相關資訊核對日期為 2026 年 11 月。

方法 費用 說話者標籤 音訊去向 最適合
1. 線上轉錄工具 很多工具可免費開始,量大需付費 有,大多數工具支援 服務商的伺服器 採訪、Podcast、講座、日常工作
2. Microsoft Word Transcribe 包含在 Microsoft 365 中,每月最多上傳 300 分鐘 有(Speaker 1、Speaker 2) Microsoft 的伺服器,檔案保存在你的 OneDrive 本來就用 Word、偶爾轉幾個檔案
3. 手動轉錄 免費,但要花好幾個小時 自己加 留在你的設備上 短片段、必須一字不差的引文
4. 在自己電腦上跑 Whisper 免費,開放原始碼 官方工具沒有 留在你的設備上 私密音訊、技術用戶、批量處理

開始之前:花 60 秒檢查你的 MP3

MP3 是有損格式。Library of Congress 的格式說明解釋過,它會丟掉人耳不太容易聽到的聲音;一個 128 kbit/s 的 MP3,大小約為 CD 音質音訊的十一分之一。丟掉的細節找不回來,所以先弄清楚手上的檔案是什麼情況。

Windows 上開啟 Properties → Details;Mac 上用 Get Info。裝了 FFmpeg 的話,下面這條命令會列出編碼、取樣率、聲道數、位元率和長度:

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

譯註:用 ffprobe 查看 interview.mp3 第一條音軌的編碼、取樣率、聲道、位元率和檔案長度。

我們用 FFmpeg 7.1 在一個很短的範例 MP3 上跑過,確認語法沒問題;它會輸出 sample_rate=44100、bit_rate=128000 這樣的行。怎麼看:

數值 說明什麼 對轉錄意味著什麼
bit_rate 壓縮後每秒保留了多少資料 位元率很低,細節就少;事後補不回來
sample_rate 每秒對聲音取樣多少次 Google 建議語音辨識用 16,000 Hz 或更高
channels 單聲道(1)還是立體聲(2) 立體聲沒問題;Whisper 讀取音訊時會混成單聲道
duration 錄音長度 看會不會超出工具的長度或分鐘數上限

MP3 位元率會影響轉錄準確率嗎?

有可能。Google Cloud 的語音辨識最佳實踐指出,包括 MP3 在內的有損編碼「may reduce accuracy」(可能降低準確率),而且在有損編碼的情況下,噪音和回聲的影響更大。目前沒有公開的位元率門檻,所以把位元率當作多個因素之一就好。人聲清楚、離麥克風近,比位元率高更重要。

實用原則:用你手上最好的那個版本去轉。原始的 WAV 或 FLAC 還在,就用它。把 96 kbps 的檔案重新編碼成 320 kbps,或者另存為 WAV,只會讓檔案變大,什麼也恢復不了。

語音辨識需要多高的取樣率?

做語音辨識,16 kHz 通常就夠了。OpenAI 開放原始碼的 Whisper 程式碼會先用 FFmpeg 讀取每個檔案,轉成單聲道,再重取樣到 16,000 Hz,然後才交給模型(見 GitHub 上的 whisper/audio.py)。Google 的指南也建議不要自己重取樣。以 8,000 Hz 錄的電話錄音,原樣上傳即可,不要升取樣。

常見 MP3 的 44.1 kHz 或 48 kHz 已經綽綽有餘。上傳前不要轉換取樣率。

音訊品質檢查清單

重要的錄音,先過一遍:

  • 聽一下開頭和中間一段。 語言對不對,每個人都聽得清嗎?
  • 檢查音量。 ffmpeg -i interview.mp3 -af volumedetect -f null - 會輸出平均音量和最大音量。最大值接近 0 dB 可能說明有削波,失真的峰值很難救回來。
  • 別做重度降噪。 Google 的指南說,辨識前做降噪處理「typically reduces recognition accuracy」(通常會降低辨識準確率)。
  • 列出人名、縮寫和專業術語,留著校對時用。
  • 保留原始檔案,直到逐字稿定稿。

方法 1:把 MP3 上傳到線上轉錄工具

要把很長的 MP3 變成可編輯文字,線上工具最快:模型在服務商的伺服器上跑,什麼都不用裝。下面的步驟以 whispertranscribe.ai 為例。whispertranscribe.ai 是一款網頁版 AI 轉錄工具,能把音訊和影片轉成文字,支援 130 多種語言,單個檔案最大 5GB、10 小時,由 OpenAI 的 Whisper 模型驅動。其他工具流程類似,只是選單不同。

第 1 步:開啟 MP3 轉錄頁面,選擇語言

開啟 MP3 轉文字頁面,在 Step 1 下選擇使用的語言。可選 130 多種語言,還有 English (India) 這樣的地區變體,以及針對品質較差錄音的 Noise / Low-Quality Audio/Video 選項。

第 2 步:上傳 MP3

在 Step 2 下拖入檔案或點選瀏覽選擇檔案。單個檔案最大 5GB,方案支援最長 10 小時的錄音。WAV、M4A、FLAC、MP4 和 MOV 也可以。

第 3 步:需要時開啟說話者辨識

採訪、會議和 Podcast,開啟 Enable Speaker Detection,每段發言都會標上說話者。

第 4 步:開始轉錄

點選 Transcribe MP3 to text。清晰音訊的準確率最高可達 99%。背景噪音、口音重、多人同時說話都會拉低準確率,所以要預留校對時間。

第 5 步:匯出逐字稿

做文件和分析,下載 DOCX、PDF、TXT 或 CSV;需要帶時間軸的字幕,下載 SRT 和 VTT。如果一開始就是為了做字幕,MP3 轉 SRT 工具可以直接生成字幕檔案。

選方案前,可以先免註冊免費試用。付費方案 from $9.99/month billed annually,詳見價格頁。影片檔案太大,可以先用音訊與影片轉 MP3 工具壓縮;放在 Google Drive 或 Dropbox 裡的 MP3,可以直接用 Transcribe from URL。

提醒一句: 線上工具會把音訊上傳到服務商的伺服器。機密錄音請先看隱私權政策,或者改用方法 3 或方法 4。

方法 2:用 Microsoft Word 的 Transcribe 功能

有 Microsoft 365 的話,Word 自己就能轉錄 MP3。根據 Microsoft Support(核對日期為 2026 年 11 月),Transcribe 支援 .mp3、.wav、.m4a 和 .mp4 檔案,並能區分說話者。

  1. 登入 Microsoft 365,在 Word for the web(新版 Microsoft Edge 或 Chrome)或 Windows 上的 Word for Microsoft 365 裡開啟一個文件。
  2. 依次點 Home → Dictate(下拉式選單)→ Transcribe。
  3. 在 Transcribe 窗格裡選 Upload audio,選中你的 MP3。
  4. 處理期間別關窗格;Microsoft 說最長可能需要和檔案差不多長的時間。
  5. 檢查結果:任意段落都能以最高 2 倍速播放,可以改文字,也可以一次性把所有 "Speaker 1" 改名。
  6. 選 Add all to document,把逐字稿放進文件,再保存為 DOCX。

要提前考慮的限制: Microsoft 365 用戶每月最多可上傳 300 分鐘音訊。每個文件只能放一份逐字稿,上傳的檔案會存進 OneDrive 裡的 Transcribed Files 資料夾。Microsoft 表示 Windows 桌面版目前僅限商業租戶使用。幫助頁沒有提到 SRT 或 VTT 匯出,所以 Word 更適合做文件,不太適合做字幕。

方法 3:手動轉錄 MP3

自己打字不花錢,音訊也不離開你的設備,但很慢。適合短片段、要求一字不差的引文,或者機器轉錯的段落。

  1. 用一個能放慢播放速度、能用快速鍵往回跳的播放器開啟 MP3,旁邊開一個空白文件。
  2. 把播放速度調到約 0.75 倍,一小段一小段地來:播一句、暫停、打字,需要就倒回去。
  3. 每次換人說話時標出說話者,比如 INTERVIEWER: 和 MARIA:。W3C 關於逐字稿的指南提到,Podcast 逐字稿可以就是簡單的段落,標明說話者即可。
  4. 聽不清的地方加時間戳記標記,比如 [inaudible 00:14:32],方便回頭再處理。
  5. 最後用正常速度邊聽邊讀一遍,揪出用錯的同音詞。

或者讓工具先出初稿,只在關鍵部分用上面這套流程。

方法 4:在自己電腦上運行 Whisper

Whisper 是 OpenAI 開放原始碼的語音辨識模型,根據 OpenAI 的研究論文,它用 680,000 小時的多語言音訊訓練而成。在本地運行免費,而且什麼都不會上傳。代價是需要配置:要有 Python、FFmpeg,機器慢的話還得有耐心。

按官方倉庫的說明安裝:

pip install -U openai-whisper

譯註:用 pip 安裝或升級 openai-whisper。

還需要裝好 FFmpeg 並加入 PATH。然後開始轉錄:

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

譯註:用 turbo 模型、按英語轉錄 interview.mp3,輸出 SRT 字幕檔案。

用 --output_format txt 輸出純文字;去掉這個參數,則會一次寫出 TXT、VTT、SRT、TSV 和 JSON。在 CPU 上運行時加 --fp16 False,可以跳過一條警告。我們用 openai-whisper 20250625 和 tiny 模型,在一段很短的公有領域音訊上跑過這些命令,確認語法沒問題。

模型 參數量 大約顯存(據 OpenAI) 相對 large 的速度(據 OpenAI)
tiny 39 M 約 1 GB 約 10x
small 244 M 約 2 GB 約 4x
medium 769 M 約 5 GB 約 2x
turbo(預設) 809 M 約 6 GB 約 8x
large 1550 M 約 10 GB 1x

OpenAI 稱 turbo 是最佳化過的 large-v3,準確率損失很小,但沒有針對翻譯做訓練。

你要放棄的東西: 官方工具沒有說話者標註選項、沒有編輯器,也不能匯出 DOCX 或 PDF;OpenAI 還提到,不同語言的表現差別很大。一些社區項目補上了部分功能,但各有各的配置方式。

長 MP3、多個說話者和其他語言怎麼處理

長錄音

上傳前先看限制。whispertranscribe.ai 的方案支援最長 10 小時、最大 5GB 的檔案;Word 每月的額度總共是五小時。如果工具的上限更短,可以用 FFmpeg 把 MP3 切成一小時一段,不需要重新編碼:

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

譯註:把 lecture.mp3 按每 3600 秒(一小時)切成一段,直接複製音訊流不重新編碼,輸出 lecture_part_000.mp3 等檔案。

切點可能落在一句話中間,合併文字時檢查一下接縫處。課程和講座,可以看講座轉錄。

多個說話者

開啟說話者辨識,分享之前把通用標籤改成真名。有人插話或者幾個人聲音相近時,標籤最容易出錯,所以每個說話者都抽查幾段。下次錄音時,給每個人配一支麥克風。

其他語言和口音

手動選語言,別用自動偵測,尤其是檔案開頭有音樂的時候。whispertranscribe.ai 提供 Multilingual Mix 選項,適用於在英語、西班牙語、法語、德語、印地語、俄語、葡萄牙語、日語、意大利語和荷蘭語之間切換的錄音。如果需要把非英語 MP3 變成英文文字,用音訊翻譯成英文,不用先轉錄再單獨翻譯。

MP3 逐字稿怎麼校對:三遍工作法

AI 初稿出錯的地方很有規律,所以很少需要把整個檔案重聽一遍。

第一遍:搜尋,不用聽。 拿著你的人名和術語清單做查找替換,一次改掉所有拼錯的地方。

第二遍:只聽易錯點。 跳到下面這些位置,對照音訊檢查:

易錯點 常見問題 怎麼檢查
數字和日期 "fifteen" 和 "fifty" 混淆,小數點丟失 要引用的每個數字都重聽一遍
人名和品牌 按讀音拼寫 對照你的術語清單
多人同時說話 兩句話被合成一句,或者漏掉一句 先用正常速度聽,再放慢聽
換人說話處 話被算到錯的人頭上 檢查每次換人後的第一句
小聲或離得遠的聲音 漏詞 把這一段音量調大
開頭和最後幾分鐘 寒暄、音樂、語言猜錯 按需刪除或修正

第三遍:當成文件來讀。 不聽音訊讀一遍;讀不通的地方再去聽。仍然聽不清的,標成 [unclear],不要猜。

需要哪種匯出格式?

看下一步拿它做什麼:做文件用 DOCX 或 TXT,要顯示在影片上的用 SRT 或 VTT。

格式 用途
DOCX 編輯、報告、文章、節目筆記
PDF 用於分享或存檔的固定版本
TXT 貼上到其他應用或交給 AI 做摘要
CSV 表格和研究分析
SRT YouTube、影片剪輯軟體和播放器用的字幕
VTT HTML5 網頁影片播放器用的字幕

手機裡的語音備忘錄,可以看語音備忘錄轉錄頁面,匯出選項相同。

常見問題

MP3 能免費轉文字嗎?

能。自己打字永遠免費;在自己電腦上運行 OpenAI 開放原始碼的 Whisper,除了配置時間和硬體,也不花錢。很多線上工具也有免費的入門方式。whispertranscribe.ai 提供不用註冊帳號的免費選項,適合先看看你的音訊轉出來效果如何。免費選項通常會限制長度或功能,日常使用的話,比較一下付費方案;whispertranscribe.ai starts from $9.99/month billed annually。

轉錄一個 MP3 檔案要多久?

用 AI 工具,通常遠少於音訊本身的長度,但具體取決於檔案和服務。Microsoft 說 Word 的 Transcribe 最長可能需要和檔案差不多長的時間。本地跑 Whisper 取決於你的硬體和模型;小模型更快,但錯誤更多。手動打一份逐字稿,要花音訊長度好幾倍的時間,所以大多數人只手動轉錄短片段。

把 MP3 轉成 WAV 能提高轉錄準確率嗎?

不能。把 MP3 另存為 WAV,或者用更高的位元率重新編碼,檔案會變大,但沒法恢複製作 MP3 時被去掉的細節。MP3 是有損格式。原始的 WAV 或 FLAC 錄音還在的話,就轉錄那個檔案;否則直接上傳 MP3。Whisper 這類語音引擎會在內部把音訊重取樣為 16 kHz 單聲道,所以自己轉換取樣率也沒有幫助。

有多個說話者的 MP3 怎麼轉錄?

用帶說話者辨識的工具,並在開始前開啟這個功能。逐字稿會給每段發言加上 Speaker 1 這樣的編號標籤,之後你再改成真名。Microsoft Word 的 Transcribe 和 whispertranscribe.ai 都能標註說話者;官方的 Whisper 命令行工具不能。重點檢查有人插話的地方,說話者最容易在那裡被弄混。

MP3 能轉成 Word 文件嗎?

能。最快的辦法是用線上工具轉錄 MP3,匯出為 DOCX,直接用 Word 或 Google Docs 開啟。有 Microsoft 365 的話,也可以在 Word 裡依次點 Home、Dictate、Transcribe、Upload audio 上傳 MP3,再選 Add all to document。Microsoft 365 訂閱每月包含最多 300 分鐘的上傳音訊。

能把 MP3 做成字幕,而不是逐字稿嗎?

能。匯出時選 SRT 或 VTT,而不是 DOCX 或 TXT。這兩種格式會保留每一行的時間資訊,影片播放器或剪輯軟體就能在正確的時刻顯示文字。用 whispertranscribe.ai,轉錄後可以匯出 SRT 或 VTT,也可以直接用 MP3 轉 SRT 工具。Whisper 的命令行工具也能通過輸出格式參數寫出 SRT 和 VTT 檔案。


想試試? 把檔案上傳到 whispertranscribe.ai 的 MP3 轉文字工具,其他格式可以用免費音訊轉文字工具。兩者都支援 130 多種語言,附說話者標籤,可匯出 DOCX、PDF、TXT、CSV、SRT 和 VTT。

參考資料

想把錄音轉成文字嗎?

使用 whispertranscribe.ai 轉錄音訊和影片。

開始轉錄 ↗