Start free

Transcrever MP3 para texto.Identificação de locutores, 100+ idiomas.

Solte um arquivo MP3 em qualquer bitrate de 64 a 320 kbps. Obtenha uma transcrição com timestamp e identificação de locutores em 99 idiomas — sem conversão de formato, sem re-codificação, sem esperar na fila.

Solte seu áudio 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

Grave direto do navegador

O cadastro leva 30 segundos — a gravação abre logo em seguida, no painel.

No card required~90s per 60-min fileSRT · VTT · DOCX · TXTArquivos apagados automaticamente em 24h

↓ Veja o que sai

MP3 entra. Transcrição com diarização sai.

Lemos os cabeçalhos de quadro MP3 diretamente — VBR, CBR, joint-stereo, qualquer codificador (LAME, Fraunhofer, FFmpeg). Se o arquivo é estéreo real com locutores em canais separados, usamos isso para dividir vozes. A redução a mono recorre à diarização acústica.

interview-tape-04.mp3REC 192 kbps · estéreo · 38:42
en-GB detectado automaticamente44.1 kHz · LAME 3.100
~90s
Transcrição · transmissão95% de precisão
S1

Então, quando você percebeu que o arquivo estava incompleto?

S2

Provavelmente por volta de 2019, quando começamos a digitalizar os reels.

S1

E as fitas desaparecidas — elas foram catalogadas em algum lugar?

S2

Há um índice em papel de '78, mas metade está danificada pela água.

95% em 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

Três opções reais · comparação honesta

Whisper gratuito local. Otter ou Sonix. Ou nós.

Você pode executar Whisper em seu próprio laptop gratuitamente se for técnico. Otter e Sonix aceitam uploads de MP3 dentro de painéis de assinatura. Pegamos o arquivo, devolvemos a transcrição e não o obrigamos a viver dentro de uma interface.

Option 01

Whisper local / código aberto

Gratuito se você tem uma GPU e uma tarde. Sem diarização de locutor pronta para usar.

ConfiguraçãoPython + CUDA + modelos de 10 GB
Diarização de locutorNão incluída (complemento pyannote)
Velocidade · 1 hora de MP35–40 min em GPU de consumidor
Idiomas99, mas modelo pequeno fica abaixo de 80%
ExportarTXT / SRT / VTT / JSON
CustoGratuito + sua eletricidade
Best forEngenheiros que já possuem uma GPU, não precisam de rótulos de locutor e querem privacidade total local.
Option 02

Transcription.Solutions

Solte o MP3. Obtenha texto com rótulos de locutor de volta em aproximadamente tempo real × 0,025.

ConfiguraçãoArrastar e soltar, sem necessidade de conta para tentar
Diarização de locutorIntegrada (planos Pro e Business)
Velocidade · 1 hora de MP3~90 segundos
Idiomas99, detectados automaticamente
ExportarSRT · VTT · DOCX · TXT · JSON
Custo · por minuto$0,03
Best forQualquer pessoa com um MP3 — gravação de jornalista, exportação de podcast, memorando de voz, cópia de arquivo — que apenas quer texto preciso saindo do outro lado.
Option 03

Otter / Sonix

Painel polido, limite mensal de minutos, afinado para inglês. Upload de arquivo parece um recurso secundário.

ConfiguraçãoConta + plano pago
Diarização de locutorAcústica, inclinada para EN
Velocidade · 1 hora de MP35–10 min na fila
IdiomasOtter somente EN; Sonix ~40
ExportarBloqueado atrás de camadas pagas
Custo$17+/mês ou $10+/hora (Sonix)
Best forEquipes que desejam um editor de transcrição e interface de colaboração mais do que um fluxo limpo estilo API arquivo→texto.

Preços e disponibilidade de recursos precisos a partir de maio de 2026. O desempenho do Whisper varia por tamanho de modelo e hardware.

Específico para MP3

Três coisas que pegam pessoas em ferramentas de transcrição genéricas.

MP3 é um formato, não um estilo de gravação — o que significa que os modos de falha vêm do codificador, não da fala.

O que dá errado

  1. 1Cabeçalhos VBR são interpretados incorretamente. Algumas ferramentas leem MP3s de taxa variável como taxa fixa e miscalculam a duração — timestamps derivam por minutos ao longo de um arquivo de uma hora.
  2. 2Joint-stereo é achatado para mono durante pré-processamento de upload. Você perde a separação de canal por locutor que estava realmente no arquivo.
  3. 3Arte de álbum incorporada em ID3 faz você tropçar alguns uploaders — eles rejeitam o arquivo como 'não é áudio puro' ou removem-no e re-codificam-no, reduzindo ainda mais a qualidade.

O que fazemos em vez disso

  1. 1Usamos o cabeçalho Xing/LAME quando presente e fallback de contagem de quadros quando não. Timestamps VBR permanecem precisos a ±0,1 s em arquivos multi-hora.
  2. 2MP3s joint-stereo e true-stereo são decodificados para PCM L/R antes da diarização. Se seus locutores foram panoramizados, mantemos divididos.
  3. 3Tags ID3v1, ID3v2, APE, arte incorporada — todos passados intactos. Nunca re-codificamos seu MP3.

Configurações de trabalho recomendadas para uploads de MP3

Padrões que se encaixam em ~80% dos arquivos MP3. Sobrescrever por trabalho do formulário.

Decodificador
Preciso em quadro, sem re-codificação
Diarização
Divisão de canal se estéreo, senão acústica
Modelo de locutor
Automático · 1-12 locutores
Idioma
Auto-detectar dos primeiros 30 s
Palavras de preenchimento
Removidas (ativar para manter)
Pacote de exportação
DOCX + SRT + TXT com timestamp

Accuracy · real-world numbers

95%+ em 192 kbps estéreo. Utilizável até 64 kbps mono.

A precisão do MP3 é limitada pelo que o codificador manteve, não por nós. A compressão perceptual acima de ~96 kbps preserva a inteligibilidade da fala muito bem; abaixo de 64 kbps, sibilantes e consoantes começam a desaparecer. Os números abaixo são de MP3s reais de clientes em produção.

96%
320 kbps estéreo, fonte de estúdio

Quase sem perda de qualidade para fala. Masters de podcast, exportações de aplicativos de ditado, rigs de entrevista profissional. Diarização limpa se locutores em canais separados.

95%
192 kbps estéreo, 2-3 locutores

Bitrate mais comum para MP3s de palavra falada. Exportações de Zoom, downloads de Riverside, padrão de gravadores de voz. Artefatos de compressão inaudíveis para reconhecedor.

91%
128 kbps mono, conversacional

Padrões de memorando de voz na maioria dos telefones. Diarização acústica lida com 2-4 locutores. Números e nomes próprios ocasionalmente precisam de verificação.

84%
64 kbps mono, arquivo / despejo de telefone

Rips de máquina de resposta antiga, arquivos de aula, fontes de banda estreita. Consoantes de alta frequência (f/s/sh) ficam borradas. Ainda legível — planeje uma revisão.

Perguntas comuns

8 coisas que as pessoas perguntam sobre transcrição de MP3.

01Qual é o bitrate mínimo de MP3 que ainda fornece uma transcrição utilizável?+
64 kbps é o piso prático. Abaixo disso, sibilantes (s, sh, f) comprimem-se em ruído e a taxa de erro de palavra sobe acima de 20%. Se você está gravando novamente, escolha 128 kbps mono ou 192 kbps estéreo — qualquer coisa acima disso é excessivo para fala.
02Preciso converter meu MP3 para WAV primeiro?+
Não. Re-codificar MP3 → WAV não adiciona zero precisão porque os dados que o codificador descartou desapareceram para sempre. Carregue o MP3 diretamente. Decodificamos quadros na memória e alimentamos PCM ao reconhecedor.
03Um MP3 estéreo me dará rótulos de locutor melhores que o mono?+
Apenas se os locutores foram realmente gravados em canais separados — a maioria dos MP3s estéreo têm o mesmo áudio em ambos os lados ('dual mono') e não ganham nada. True channel-split (por exemplo, exportações Riverside, rigs de campo com dois microfones) nos permite pular diarização acústica e rotular locutores quase perfeitamente.
04Qual é o tamanho máximo de arquivo MP3 que você aceita?+
5 GB por upload, o que é aproximadamente 60 horas em 192 kbps ou 90 horas em 128 kbps. Se seu arquivo for maior, mostraremos um upload em pedaços — sem necessidade de dividi-lo você mesmo.
05Quanto tempo leva para transcrever um MP3 de 60 minutos?+
Normalmente 90 segundos do upload completo até a transcrição pronta, independentemente do bitrate. Decodificar quadros MP3 é rápido; o tempo está no reconhecedor. Diarização adiciona 5-10 segundos em arquivos multi-locutor.
06Meu MP3 tem música de fundo — a transcrição será arruinada?+
Música de cama tranquila sob fala é ótima. Música alta que compete com a voz (fitas de introdução, pontuação sob entrevistas) às vezes desencadeia erros de reconhecimento em sílabas sobrepostas. Ativar supressão de música no formulário de trabalho para pré-filtrar.
07Você pode lidar com MP3s extraído do correio de voz do telefone ou máquinas de resposta?+
Sim, embora estes sejam frequentemente 8 kHz banda estreita re-codificado como MP3 — o teto de qualidade de áudio é definido pela captura PSTN original, não pelo wrapper MP3. Espere 78-85% de precisão naquele tipo de fonte, que é o mesmo que obteríamos na chamada subjacente.
08Vocês mantêm meu MP3 após a transcrição ser concluída?+
Os arquivos são deletados após 30 dias por padrão, ou imediatamente por solicitação via painel. A transcrição fica em sua conta até você deletá-la. Não usamos áudio de cliente para treinar nenhum modelo — nunca.

Solte seu MP3. Obtenha texto de volta em 90 segundos.

30 minutos gratuitos a cada mês. Sem cartão necessário. Rótulos de locutor, 99 idiomas, cada formato de exportação incluído.

Começar gratuitamente