Nota de voz a texto.iPhone, Android, calquera aplicación.

O gravador do teu teléfono garda notas como M4A, MP3 ou WAV dependendo do dispositivo. Comparte o ficheiro cunha pestana do navegador, bótao dentro, e obtén unha transcrición con marcas de tempo en aproximadamente 90 segundos.

Drop a file, or pick one

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

Record straight from your browser

Sign up takes 30 seconds — recording opens right after, in the dashboard.

No card required~90s per 60-min fileSRT · VTT · DOCX · TXTFiles auto-deleted in 24h

↓ Watch what happens

Audio in. Transcript out.

Drop a file, paste a URL, or record live — text appears back with speaker labels and timestamps. Same pipeline whether the source is a file, a URL, or your microphone.

Microphone · liveREC 00:07.41
en-US auto-detected16 kHz mono
~90s
Transcript · streaming2 speakers · 47:08
S1

Thanks for making the time. I want to start with framing — what was the original hypothesis behind the project?

S2

Honestly, maybe forty percent. The shape held — the mechanics underneath had to be rebuilt almost entirely.

S1

What flipped it for you? Was there one customer call, one piece of data

~95% accuracy on clean audioSRT · DOCX · TXT · JSON

↓ 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

Three real options · honest comparison

Built-in dictation, AI speech-to-text, or a human transcriber.

Three legitimate ways to get text from spoken audio in 2026. Each is best for different work. Honest numbers below — no claim that AI matches a professional human transcriber on hard audio.

Option 01

Built-in dictation

Live, free, on-device. Handy for short bursts while you talk.

Accuracy · clear English~85%
Speaker separationNo
TimestampsNo
Languages~30
60-min fileLive only
CostFree
Best forShort voice notes while you walk. Hands-free messaging. Dictating an email at a stoplight.
Option 02

AI speech-to-text

~30× faster than realtime. 100+ languages. Speaker labels. The sweet spot for most work.

Accuracy · clear English95%+
Speaker separationYes (Pro+)
TimestampsPer sentence
Languages100+ auto
60-min file~90 s
Cost · per min$0.03
Best forInterview recordings · meeting notes · podcast transcripts · YouTube subtitles · batch jobs · API automation · field journalism.
Option 03

Human transcriber

Gold-standard accuracy when the audio is hard or the stakes are legal.

Accuracy · clear English98–99%
Speaker separationManual
TimestampsPer turn
LanguagesPer transcriber
60-min file4–8 hours
Cost · per min$1–3
Best forLegal depositions · medical dictation · archival oral history · anything where 95%+ accuracy is non-negotiable.

Built-in dictation figures from public iOS / Android speech API benchmarks. Human transcriber rates from US/UK industry surveys 2024–2025.

Accuracy · real-world numbers

95%+ on clear English. It holds up on real-world recordings too.

Modern transcription reaches 95%+ word accuracy on clear English at 128 kbps and above, comparable to a human transcriber on the same recording. The audio coming in sets the ceiling — cleaner source, cleaner transcript. The breakdown below covers the recordings we actually see in production.

97%+
Clean studio audio

USB or studio microphone in a treated room. Single speaker at conversational distance. The headline number.

95%+
Clear English at 128 kbps+

Podcast masters, interview recordings, well-mic'd meetings. The sweet spot for most professional work.

93%
Real-world podcast

Field-recorded interviews, podcast episodes at 64–128 kbps, multi-speaker recordings. Usable for editorial without a review pass.

91%
Meeting room recording

Ceiling mic, omnidirectional capture, mild reverb, multiple speakers at distance. Plan a rename pass on the speaker chips.

Common questions

7 things people ask about this.

01Que formato de ficheiro garda o gravador do meu teléfono?+
Notas de Voz de iPhone: M4A (AAC). Android (Google Pixel, Samsung): normalmente M4A ou AAC, ás veces MP3. Gravador de Voz / Gravador de Son de Windows: M4A. Notas de Voz de Mac: M4A. Todos eles se suben directamente sen conversión.
02Como levo a nota de voz do meu teléfono a un navegador?+
iPhone: abre Notas de Voz, toca a gravación, toca Compartir e fai AirDrop a Mac ou gárdaa en iCloud Files. Android: toca Compartir ou Exportar na aplicación de gravación e envíaa por correo ou almacenamento na nube. Mac/Windows: o ficheiro está nun cartafol coñecido — arrastra desde alí.
03Cal é a duración máxima dunha nota de voz?+
30 minutos en Free. Ata 10 horas por ficheiro en Pro e Business. A maioría das notas de voz do teléfono son de menos de 30 minutos, polo que Free cobre a maioría dos casos de uso persoal. As entrevistas de investigación e as clases longas que superan os 30 minutos necesitan un plan de pago.
04Están dispoñibles as etiquetas de falante para notas de voz de dúas persoas?+
Si, nos plans Pro e Business. Coloca o teléfono a igual distancia entre dous falantes para a separación máis limpa. O pipeline identifica e etiqueta cada voz — fai clic en calquera etiqueta para renomear de 'Falante 1' ao nome real da persoa.
05Pode transcribir unha nota de voz nun idioma diferente ao inglés?+
Si — máis de 100 idiomas, detectados automaticamente. O francés, o castelán, o alemán, o xaponés, o portugués, o ruso e outros 95+ funcionan. Para notas moi curtas onde a detección é incerta, podes forzar o idioma nos axustes avanzados.
06Podo transcribir notas de voz de aplicacións de terceiros como Otter ou Rev?+
Se a aplicación permite exportar o audio orixinal como M4A, MP3 ou WAV, si — sube ese ficheiro. Non nos conectamos directamente con aplicacións de gravación de terceiros. Exporta o audio desde a aplicación primeiro, despois súbeo.
07Que pasa coas notas de voz con música de fondo ou son ambiental?+
O son de fondo lixeiro (ambiente de café, tráfico suave) reduce a precisión a arredor do 85-88%, pero aínda se pode transcribir. A música alta con volume igual ao da fala é o caso difícil — a precisión cae significativamente nesas seccións.

Drop something in. See what comes out.

30 minutos gratuítos ao mes, sen tarxeta. Comparte a gravación desde o teu teléfono, bótaa dentro — transcrición en aproximadamente 90 segundos.

Comezar a transcrición gratuíta