Start free

Transcribe MP3 a texto.Etiquetas de orador, 100+ idiomas.

Solta un ficheiro MP3 a calquera taxa de bits de 64 a 320 kbps. Obtén un transcript con marca de tempo e etiquetas de orador en 99 idiomas — sen conversión de formato, sen recodificación, sen agardar en cola.

Solta o teu audio ou vídeo

MP3 · WAV · M4A · MP4 · MOV · MKV · OGG · OPUS · FLAC · WEBM — up to 100 MB anonymously

Paste a link, we’ll fetch the audio

YouTube · TikTok · Vimeo · Twitter · SoundCloud · Spotify · 50+ more

Grava directamente desde o navegador

O rexistro lévache 30 segundos — a gravaciónel.

No card required~90s per 60-min fileSRT · VTT · DOCX · TXTOs ficheiros bórranse en 24 h

↓ Mira que sae

MP3 dentro. Transcript diarizado fóra.

Lemos directamente os encabezados de marcos de MP3 — VBR, CBR, estéreo conxunto, calquera codificador (LAME, Fraunhofer, FFmpeg). Se o ficheiro é verdadeiro estéreo con oradores en canais separados, usámoselo para dividir voces. O mix-down mono volvese á diarización acústica.

interview-tape-04.mp3REC 192 kbps · estéreo · 38:42
auto-detectado en-GB44.1 kHz · LAME 3.100
~90s
Transcript · en directoPrecisión 95%
S1

Entón, cándo che deu conta de que o arquivo estaba incompleto?

S2

Probablemente arredor de 2019, cando comezamos a dixitalizar as bobinas.

S1

E as cintas que faltan — estaban catalogadas en algún lugar?

S2

Hai un índice en papel do '78, pero a metade está dañada pola auga.

95% en 192 kbps estéreoSRT · DOCX · TXT · JSON · VTT

↓ This is the dashboard

This is what loads when the job finishes.

Same layout as the real dashboard — Summary, full Transcript, Speakers tab, Exports. Key points and action items extracted automatically. Auto-tags on every job.

Try it on your own file — it's free

Tres opcións reais · comparación honesta

Whisper local gratis. Otter ou Sonix. Ou nós.

Podes executar Whisper no teu portátil de forma gratuíta se tes coñecementos técnicos. Otter e Sonix aceptan cargas de MP3 dentro de paneis de subscrición. Tomamos o ficheiro, devolveremos o transcript, e non te facemos vivir dentro dunha IU.

Option 01

Whisper local / código aberto

Gratis se tes un GPU e unha tarde. Sen diarización de orador fóra da caixa.

ConfiguraciónPython + CUDA + 10 GB models
Diarización de oradorNon incluído (complemento pyannote)
Velocidade · 1 hr MP35–40 min nun GPU de consumo
Idiomas99, pero o modelo pequeno cae por debaixo do 80%
ExportaciónTXT / SRT / VTT / JSON
CustoGratis + a túa electricidade
Best forEnxeñeiros que xa teñen un GPU, non precisan etiquetas de orador e queren privacidade local completa.
Option 02

Transcription.Solutions

Solta o MP3. Obtén texto con etiquetas de orador de volta en tempo máis ou menos real × 0.025.

ConfiguraciónArrastra e solta, sen conta necesaria para probar
Diarización de oradorIntegrada (plans Pro & Business)
Velocidade · 1 hr MP3~90 segundos
Idiomas99, auto-detectados
ExportaciónSRT · VTT · DOCX · TXT · JSON
Custo · por min$0.03
Best forCalquera persoa con un MP3 — cinta de xornalista, exportación de podcast, nota de voz, duplicada arquival — que só quere texto preciso no outro extremo.
Option 03

Otter / Sonix

Panel pulido, límite de minutos mensuais, afinación en inglés. A carga de ficheiros parece unha característica secundaria.

ConfiguraciónConta + plan pagado
Diarización de oradorAcústica, EN-inclinada
Velocidade · 1 hr MP35–10 min en cola
IdiomasOtter só EN; Sonix ~40
ExportaciónBloqueada detrás de capas pagadas
Custo$17+/mes ou $10+/hr (Sonix)
Best forEquipos que queren un editor de transcript e IU de colaboración máis que un flujo limpo de ficheiro→texto ao estilo API.

Prezos e dispoñibilidade de funcións precisos a maio de 2026. O rendemento de Whisper varía segundo o tamaño do modelo e o hardware.

Específico de MP3

Tres cousas que morden ás persoas en ferramentas de transcripción xenéricas.

MP3 é un formato, non un estilo de gravación — o que significa que os modos de fallo vén do codificador, non da fala.

Que sae mal

  1. 1Os encabezados VBR se analisan mal. Algunhas ferramentas len MP3s de taxa variable como taxa fixa e calculan mal a duración — as marcas de tempo derivan minutos durante un ficheiro de duración dunha hora.
  2. 2O estéreo conxunto se aplana a mono durante o preprocesamento de carga. Perdes a separación de canais por orador que estaba realmente no ficheiro.
  3. 3A arte de álbum ID3 integrada dispara uns poucos cargadores — rexeitan o ficheiro como 'non audio puro' ou eliminano e recodifican, reducindo máis a calidade.

Que facemos en su lugar

  1. 1Usamos o encabezado Xing/LAME cando está presente e retroceso de recuento de marcos cando non. As marcas de tempo da VBR permanecen precisas a ±0,1 s nos ficheiros de varias horas.
  2. 2Os MP3s conxunto-estéreo e verdadeiro-estéreo son decodificados a L/R PCM antes da diarización. Se os teus oradores foron panorámicos, mantemos os divididos.
  3. 3Etiquetas ID3v1, ID3v2, APE, arte integrada — todo pasa intacto. Nunca recodificamos o túo MP3.

Configuración de traballo recomendada para cargas de MP3

Predeterminados que se axustan a ~80% dos ficheiros MP3. Anula por traballo desde o formulario.

Decodificador
Accurado a nivel de marco, sen recodificación
Diarización
División de canais se estéreo, senón acústico
Modelo de orador
Auto · 1-12 oradores
Idioma
Detectar automaticamente desde os primeiros 30 s
Palabras de enchimento
Eliminadas (alterna para manter)
Paquete de exportación
DOCX + SRT + TXT con marca de tempo

Accuracy · real-world numbers

95%+ en 192 kbps estéreo. Usable até 64 kbps mono.

A precisión de MP3 está limitada por o que o codificador mantivo, non por nós. A compresión perceptual por encima de ~96 kbps preserva moi ben a inteligibilidade da fala; por debaixo de 64 kbps, os sibilantes e consonantes comezar a disolverse. Os números de abaixo son de MP3s reais de clientes en produción.

96%
320 kbps estéreo, fonte de estudio

Case sen perdas para fala. Mestres de podcast, exportacións de aplicacións de ditado, equipos de entrevista profesionais. Diarización limpa se os oradores están en canais separados.

95%
192 kbps estéreo, 2-3 oradores

Taxa de bits máis común para MP3s de fala. Exportacións de Zoom, descargas de Riverside, predeterminado de gravadores de voz. Artefactos de compresión inaudibles para o recoñecedor.

91%
128 kbps mono, conversacional

Predeterminado de notas de voz na maioría dos teléfonos. A diarización acústica maneja 2-4 oradores. Os números e nomes propios ás veces necesitan unha ollada.

84%
64 kbps mono, arquivo / vertedouro de teléfono

Rips antigos de máquinas de contestador, arquivos de conferencias, fontes de banda estreita. Os consonantes de alta frecuencia (f/s/sh) bórran. Aínda legible — planifica unha corrección.

Preguntas comúns

8 cousas que a xente pregunta sobre transcripción de MP3.

01Cal é a taxa de bits mínima de MP3 que segue dando un transcript usable?+
64 kbps é o piso práctico. Por debaixo, os sibilantes (s, sh, f) comprimen en ruído e a taxa de erro de palabras soe máis do 20%. Se estás gravando novo, apunta a 128 kbps mono ou 192 kbps estéreo — calquera cousa máis alta é excesivo para fala.
02¿Preciso converter o meu MP3 a WAV primeiro?+
Non. Recodificar MP3 → WAV non engade cero precisión porque os datos que o codificador descartou desapareceron para sempre. Carga o MP3 directamente. Decodificamos marcos en memoria e alimentamos PCM ao recoñecedor.
03¿O MP3 estéreo me dará mellores etiquetas de orador que mono?+
Só se os oradores foron gravados realmente en canais separados — a maioría dos MP3s estéreo teñen o mesmo audio nos dous lados ('mono dual') e non gañan nada. A verdadeira división de canais (por exemplo, exportacións de Riverside, equipos de campo de dous micrófonos) permítenos saltar a diarización acústica e etiquetar oradores case perfectamente.
04Cal é o tamaño máximo de ficheiro MP3 que aceptas?+
5 GB por carga, que é aproximadamente 60 horas a 192 kbps ou 90 horas a 128 kbps. Se o teu ficheiro é máis grande, mostraremos unha carga fragmentada — non hai necesidade de dividilo ti mesmo.
05¿Canto tempo leva transcribir un MP3 de 60 minutos?+
Normalmente 90 segundos desde que a carga se completa ata que o transcript está listo, independentemente da taxa de bits. Decodificar marcos de MP3 é rápido; o tempo está no recoñecedor. A diarización engade 5-10 segundos en ficheiros multiorador.
06O meu MP3 ten música de fondo — ¿será destrozado o transcript?+
A música calmada baixo a fala está ben. A música forte que compite coa voz (picaros de introdución, puntuación baixo entrevistas) ás veces desencadea erro de recoñecementos en sílabas superpostas. Alterna a supresión de música no formulario de traballo para filtrar previamente.
07¿Podes manexar MP3s extraídos do voicemail do teléfono ou máquinas de contestador?+
Si, aínda que estes a miúdo se recodifican como MP3 de banda estreita de 8 kHz — o teito de calidade de audio está establecido pola captura PSTN orixinal, non polo emvolorio MP3. Espera unha precisión do 78-85% nese tipo de fonte, que é o mesmo que obteríamos na chamada subxacente.
08¿Gardas o meu MP3 despois de que se fai o transcript?+
Os ficheiros se borran despois de 30 días por defecto, ou inmediatamente por solicitude a través do panel. O transcript permanece na túa conta ata que o borre. Non usamos audio de clientes para adestrar ningún modelo — nunca.

Solta o teu MP3. Obtén texto de volta en 90 segundos.

30 minutos gratis cada mes. Non se require tarxeta. Etiquetas de orador, 99 idiomas, cada formato de exportación incluído.

Comeza gratis