Start free

Snúðu MP3 yfir í texta.Sérnöfn lesara, 100+ tungumál.

Settu MP3 skrá við hvaða bithraða sem er frá 64 til 320 kbps. Fáðu tímastimpluðan, lesaragreindann snúðunartexta á 99 tungumálum — engin sníðbreyting, engin endurtkóðun, engin biðröð.

Slepptu hljóði eða myndbandi

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

Taktu upp beint úr vafranum

Skráning tekur 30 sekúndur — upptakan opnast strax á eftir, inni á stjórnborðinu.

No card required~90s per 60-min fileSRT · VTT · DOCX · TXTSkrár eyðast sjálfkrafa eftir 24 klst.

↓ Sjáðu hvað kemur út

MP3 inn. Lesaragreindur snúðunartexti út.

Við lesum MP3 vigurreitina beint — VBR, CBR, joint-stereo, hvaða kóðara sem er (LAME, Fraunhofer, FFmpeg). Ef skráin er sönn stereo með lesarum á aðskildum köflum notum við það til að skipta röddum. Einnálkóðun hnigur til heyrnargreindrar lesaragreiningarmáttar.

interview-tape-04.mp3REC 192 kbps · stereo · 38:42
sjálfkrafa greint en-GB44.1 kHz · LAME 3.100
~90s
Snúðunartexti · streymi95% nákvæmni
S1

Svo hvenær komstu fyrst að því að safnið væri ófullnægjandi?

S2

Líklega um 2019, þegar við byrjuðum að stafræna gera spólustikin.

S1

Og gatin spólurin — voru þau skráð einhvers staðar?

S2

Það er pappírsskrá frá '78, en helmingur hennar er vatnsskemmdur.

95% á 192 kbps stereoSRT · 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

Þrjár raunverulegar valkostir · heiðarmetin samanburður

Ókeypis staðbundinn Whisper. Otter eða Sonix. Eða við.

Þú getur keyrt Whisper á þinni eigin fartölvu ókeypis ef þú ert tæknilega hugaður. Otter og Sonix taka við MP3 hleðslum inni í áskriftarborðum. Við tökum skrána, skila snúðunartextanum og neyðum þig ekki til að búa inni í notendaviðmóti.

Option 01

Whisper staðbundinn / opinn kóði

Ókeypis ef þú átt GPU og daginn. Engin lesaragreining sem stöð.

UppsetningPython + CUDA + 10 GB líkön
LesaragreiningEkki innifalin (pyannote viðbót)
Hraði · 1 klst MP35–40 mín á neytanda GPU
Tungumál99, en lítil líkön fara undir 80%
ÚtflutningurTXT / SRT / VTT / JSON
KostnaðurÓkeypis + þinn rafmagn
Best forForritarar sem eiga nú þegar GPU, þurfa ekki sérnöfn lesara og vilja fullan staðbundinn friðhelgi einkalífs.
Option 02

Transcription.Solutions

Settu MP3. Fáðu texta með lesaragreiningum tilbaka u.þ.b. rauntíma × 0,025.

UppsetningDraga og sleppa, engin reikningur nauðsynlegur til þess að prófa
LesaragreiningInnbyggð (Pro & Business áætlanir)
Hraði · 1 klst MP3~90 sekúndur
Tungumál99, sjálfkrafa greind
ÚtflutningurSRT · VTT · DOCX · TXT · JSON
Kostnaður · á mínútu$0.03
Best forHver sem er með MP3 — blaðamanna bandönd, hlaðvarpsútflutning, stemmuminnisgrein, safnhöfn afrif — sem vill bara nákvæman texta út hina endann.
Option 03

Otter / Sonix

Glansering stjórnborð, mánaðarleg takmark á mínútum, enskt tilbúið. Skráaupphleðsla virðist aukaeiginleiki.

UppsetningReikningur + greidd áætlun
LesaragreiningHeyrnargreind, EN-hallærisleg
Hraði · 1 klst MP35–10 mín í biðröð
TungumálOtter EN-aðeins; Sonix ~40
ÚtflutningurLæst á bak við greidd stig
Kostnaður$17+/mán eða $10+/klst (Sonix)
Best forLið sem vilja snúðunartexta ritstjóra og samvinnu notendaviðmót meira en hreint API-stíl skrá→texta flæði.

Verðlagning og eiginleikar nákvæmlir frá og með maí 2026. Whisper afköst eru mismunandi eftir líkangróf og vélbúnaði.

Sérstaklega fyrir MP3

Þrír hlutir sem bítir fólk á almennir snúðunartæki.

MP3 er snið, ekki skráningarstíll — sem þýðir að bilunirnar koma frá kóðaranum, ekki talinu.

Hvað fer úrskeiðis

  1. 1VBR hausir verða illa þáttaðir. Sum tæki lesa skilgreinda bithraða MP3 sem fasta hraða og misreikna lengd — tímastimplar rekjast um margar mínútur yfir klukkutíma skrá.
  2. 2Joint-stereo verður flattenað yfir í einnál við hleðsluforsvinnslu. Þú missir röddaskilinn á sérstöku rás sem var í raun í skránni.
  3. 3Innbyggð ID3 plötuumslag truflar nokkra hleðslumenn — þeir hafna skránni sem 'ekki hreinn hljóð' eða sundurgreina hana og endurtkóða, sem sleppir gæðum enn frekar.

Hvað við gerum í staðinn

  1. 1Við notum Xing/LAME haus þegar til staðar og ramma telningum fallbak annars. VBR tímastimplar haldast nákvæmir til ±0,1 s yfir margar klukkustund skrár.
  2. 2Joint-stereo og sönn-stereo MP3 eru afkóðuð til L/R PCM fyrir lesaragreiningu. Ef þeinir lesendur voru hallir, við höldum þeim skildum.
  3. 3ID3v1, ID3v2, APE merki, innbyggt umslag — allt sent óbreytt. Við endurtkóðum aldrei þinn MP3.

Ráðlögðu verkefnastillingar fyrir MP3 hleðslur

Sjálfgildi sem passa ~80% af MP3 skrám. Slá yfir á hvert verkefni úr forminu.

Afkóðari
Ramma-nákvæmur, engin endurtkóðun
Lesaragreining
Rásaskilning ef stereo, annars heyrnargreind
Lesararlíkan
Sjálfvirkt · 1-12 lesendur
Tungumál
Sjálfkrafa-greining frá fyrstu 30 sek
Fyllit orð
Fjarlægð (slá til að halda)
Útflutnings búnt
DOCX + SRT + tímastimpluð TXT

Accuracy · real-world numbers

95%+ á 192 kbps stereo. Notkun niður að 64 kbps einnáli.

MP3 nákvæmni er bundin af hvernig kóðarinn hélt eftir, ekki okkar. Málfræðileg þjöppun fyrir ofan ~96 kbps varðveitir talgrein mjög vel; undir 64 kbps byrja sibílant og þjóðlingar að leysast upp. Tölur hér að neðan eru frá raunverulegum viðskiptavinum MP3 skrám í framleiðslu.

96%
320 kbps stereo, stúdíóheiild

Næstum ótaplaus fyrir tal. Hlaðvarpsmeistari, orðhending forrita útflutningur, faglegir viðtalsvélar. Lesaragreining hreinn ef lesendur á aðskildum köflum.

95%
192 kbps stereo, 2-3 lesendur

Algengasti bithraði fyrir talmeðferð MP3. Zoom útflutningur, Riverside niðurhal, hljóðritarar sjálfgildi. Þjöppunaróhreinindi ósýnileg fyrir kennisvél.

91%
128 kbps einnál, samtalóreðun

Stemmuminni sjálfgildi á flestum farsímum. Heyrnargreind lesaragreining ræð 2-4 lesendum. Tölur og sérnöfn þurfa stundum blika.

84%
64 kbps einnál, safnhöfn / símaaflögg

Gömul svarsvörunar-vélar afrif, fyrirlestrarskjölum, þröng band heimild. Há-tíðni þjóðlingar (f/s/sh) óljóinn. Samt lesanlegur — skipuleggðu endurkafningu.

Algeng spurningu

8 hlutir sem fólk spyr um MP3 snúðun.

01Hvað er lágmarks MP3 bithraði sem gefur enn nothæfan snúðunartexta?+
64 kbps er hið framtíðgengur gólf. Fyrir neðan það, sibílant (s, sh, f) þjappast inn í hávaða og orðskekkja hlutfall stærð hærra en 20%. Ef þú ert að taka upp nýjar, miða á 128 kbps einnál eða 192 kbps stereo — allt hærra er of miklu fyrir tal.
02Þarf ég að breyta MP3 mínu yfir í WAV fyrst?+
Nei. Endurtkóðun MP3 → WAV bætir enginni nákvæmni vegna þess að gögnin sem kóðarinn fjagli eru horfin fyrir gott. Hlaððu MP3 beint upp. Við afkóðum ramma í minni og fóðrum PCM til kennisvelarinnar.
03Mun stereo MP3 gefa mér betri lesaragreining en einnál?+
Aðeins ef lesendur voru í raun teknir á aðskildum rásarnum — flestir stereo MP3 hafa sama hljóð á báðum hliðum ('tvöfalt einnál') og geta ekkert. Sönn rásaskilning (t.d. Riverside útflutningur, tveir með hljóðmerkju vettvangsuppsetningu) lætur okkur sleppa heyrnargreimdu lesaragreiningum og merkja lesendur nær-fullkomið.
04Hver er hámarks MP3 skráastærð sem þú tekur?+
5 GB á hleðslu, sem eru u.þ.b. 60 klst við 192 kbps eða 90 klst við 128 kbps. Ef skrá þín er stærri munum við sýna mynduð hleðslu — engin þörf á að deila því sjálfur.
05Hversu langan tíma tekur 60 mínútna MP3 að snúða?+
Venjulega 90 sekúndur frá hleðslu-fullu til snúðunartexta-tilbúins, óháð bithraða. Afkóðun MP3 ramma er hröð; tíminn er í kennisvelum. Lesaragreining bætir 5-10 sekúndum á margar-lessendum skrám.
06Minn MP3 er með bakgrunnstónlist — mun snúðunartextinn vera eyðilagður?+
Róleg setur sem tala þræðir er allt í lagi. Háleit tónlist sem keppist við röddina (kynningur stungir, einkunn undir viðtölum) kallar stundum mismerkingum á skarandi atkvæðum. Slóaðu tónlistastöðvun á verkefnisforminu til að forsía.
07Geturðu meðhöndlað MP3 afrif frá símatilfallandi eða svarsvörunum?+
Já, þó þessi eru oft 8 kHz þröng-bönd endurtkóðuð sem MP3 — hljóðgæðatakmörkin eru sett af uppruna PSTN handtöku, ekki MP3 umbúðum. Búist við 78-85% nákvæmni á þeirri tegund heimilda, sem er það sama sem við myndum fá á undirliggjandi símtali.
08Haltu þú eftir MP3 mínu eftir að snúðunartextinn er búinn?+
Skrár verða eyðilagðar eftir 30 daga sjálfgefið, eða strax á beiðni í gegnum stjórnborðið. Snúðunartextinn helst á þínum reikningi þar til þú eyðir honum. Við notum ekki viðskiptavini hljóð til þess að æta neina líkan — aldrei.

Settu MP3 þinn. Fáðu texta tilbaka á 90 sekúndum.

30 ókeypis mínútur á hverjum mánuði. Engin kort nauðsynleg. Sérnöfn lesara, 99 tungumál, hver útflutningssnið innifalin.

Byrja ókeypis