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。
- 檢查檔案。 播放 30 秒,確認人聲清楚。
- 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。
- 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。
- 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。
- 依次點 Home → Dictate(下拉式選單)→ Transcribe。
- 在 Transcribe 窗格裡選 Upload audio,選中你的 MP3。
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。 - 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。 - 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 |
| 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
- Library of Congress:MP3(MPEG Layer III 音訊編碼)
- Google Cloud:向 Speech-to-Text API 提供資料的最佳實踐
- Microsoft Support:轉錄你的錄音
- OpenAI:GitHub 上的 Whisper(README 和
whisper/audio.py) - Radford 等,OpenAI:通過大規模弱監督實現穩健的語音辨識(Robust Speech Recognition via Large-Scale Weak Supervision)
- W3C Web Accessibility Initiative:逐字稿(Transcripts)
