Start free

MP3 کو ٹیکسٹ میں ٹرانسکرائب کریں۔اسپیکر لیبلز، 100+ زبانیں۔

MP3 فائل کو 64 سے 320 kbps تک کسی بھی bitrate پر ڈراپ کریں۔ 99 زبانوں میں ایک ٹائم اسٹیمپڈ، اسپیکر لیبل والا ٹرانسکرپٹ حاصل کریں — کوئی فارمیٹ تبدیلی نہیں، کوئی دوبارہ encoding نہیں، کوئی queue میں انتظار نہیں۔

اپنی آڈیو یا ویڈیو ڈالیں

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 · TXTفائلیں 24 گھنٹے میں آٹو-ڈیلیٹ ہو جاتی ہیں

↓ دیکھیں کہ کیا نکلتا ہے

MP3 اندر۔ Diarized ٹرانسکرپٹ باہر نکلتا ہے۔

ہم MP3 frame headers کو براہ راست پڑھتے ہیں — VBR، CBR، joint-stereo، کوئی بھی encoder (LAME، Fraunhofer، FFmpeg)۔ اگر فائل علیحدہ channels پر اسپیکرز کے ساتھ true stereo ہے تو ہم اسے آوازوں کو الگ کرنے کے لیے استعمال کرتے ہیں۔ Mono mix-down acoustic diarization پر واپس آتا ہے۔

interview-tape-04.mp3REC 192 kbps · stereo · 38:42
auto-detected en-GB44.1 kHz · LAME 3.100
~90s
ٹرانسکرپٹ · streaming95% درستگی
S1

تو آپ نے پہلی بار کب محسوس کیا کہ آرکائیو نامکمل ہے؟

S2

شاید 2019 کے ارد گرد، جب ہم نے reel-to-reels کو digitising شروع کیا۔

S1

اور گمشدہ ٹیپیں — کیا وہ کہیں catalog کی گئی تھیں؟

S2

'78 سے ایک کاغذی انڈیکس ہے، لیکن اس کا آدھا حصہ پانی سے خراب ہے۔

192 kbps stereo پر 95%SRT · 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

تین حقیقی اختیارات · ایماندار موازنہ

مفت مقامی Whisper۔ Otter یا Sonix۔ یا ہم۔

آپ اپنے لیپ ٹاپ پر مفت میں Whisper چلا سکتے ہیں اگر آپ تکنیکی ہیں۔ Otter اور Sonix subscription dashboards میں MP3 اپ لوڈ قبول کرتے ہیں۔ ہم فائل لیتے ہیں، ٹرانسکرپٹ واپس دیتے ہیں، اور آپ کو کسی UI کے اندر رہنے کا مجبور نہیں کرتے۔

Option 01

Whisper مقامی / اوپن سورس

مفت اگر آپ کے پاس GPU اور ایک دوپہر ہے۔ براہ راست اسپیکر diarization نہیں۔

سیٹ اپPython + CUDA + 10 GB ماڈلز
اسپیکر diarizationشامل نہیں (pyannote add-on)
رفتار · 1 گھنٹہ MP3consumer GPU پر 5–40 منٹ
زبانیں99، لیکن چھوٹا ماڈل 80% سے نیچے گھومتا ہے
ExportTXT / SRT / VTT / JSON
لاگتمفت + آپ کی بجلی
Best forانجینئرز جن کے پاس پہلے سے GPU ہے، اسپیکر لیبلز کی ضرورت نہیں، اور مکمل مقامی رازداری چاہتے ہیں۔
Option 02

Transcription.Solutions

MP3 کو ڈراپ کریں۔ اسپیکر لیبل والا ٹیکسٹ تقریباً حقیقی وقت میں × 0.025 میں واپس حاصل کریں۔

سیٹ اپDrag-and-drop، کوشش کرنے کے لیے کوئی اکاؤنٹ درکار نہیں
اسپیکر diarizationشامل ہے (Pro & Business منصوبے)
رفتار · 1 گھنٹہ MP3~90 سیکنڈ
زبانیں99، خودکار طور پر دریافت
ExportSRT · VTT · DOCX · TXT · JSON
لاگت · فی منٹ$0.03
Best forکسی بھی MP3 والا — صافی ٹیپ، podcast export، voice memo، archival dub — جو صرف دوسری طرف درست ٹیکسٹ چاہتا ہے۔
Option 03

Otter / Sonix

Polished dashboard، ماہانہ منٹوں کی حد، English-tuned۔ فائل اپ لوڈ ایک طرفہ خصوصیت محسوس ہوتی ہے۔

سیٹ اپاکاؤنٹ + معاوضہ کا منصوبہ
اسپیکر diarizationAcoustic، EN-leaning
رفتار · 1 گھنٹہ MP3queue میں 5–10 منٹ
زبانیںOtter EN-only؛ Sonix ~40
Exportمعاوضہ کے ٹیریف کے پیچھے بند
لاگت$17+/ماہ یا $10+/گھنٹہ (Sonix)
Best forٹیمیں جو ٹرانسکرپٹ ایڈیٹر اور تعاون UI زیادہ چاہتی ہیں بہ نسبت صاف API-style فائل→ٹیکسٹ بہاؤ۔

قیمتیں اور خصوصیت کی دستیابی مئی 2026 تک درست۔ Whisper کارکردگی ماڈل کے سائز اور ہارڈ ویئر کے لحاظ سے مختلف ہوتی ہے۔

MP3 کے لیے مخصوص

تین چیزیں جو عام transcription tools پر لوگوں کو کاٹتی ہیں۔

MP3 ایک فارمیٹ ہے، ریکارڈنگ کا انداز نہیں — جس کا مطلب ہے کہ ناکامی کے طریقے encoder سے آتے ہیں، speech سے نہیں۔

کیا غلط ہوتا ہے

  1. 1VBR headers غلط parse ہوتے ہیں۔ کچھ tools variable-bitrate MP3s کو fixed-rate کے طور پر پڑھتے ہیں اور مدت کو غلط calculate کرتے ہیں — ایک گھنٹہ لمبی فائل کے دوران timestamps منٹوں سے drift کرتے ہیں۔
  2. 2Joint-stereo اپ لوڈ preprocessing کے دوران mono میں ہموار کیا جاتا ہے۔ آپ per-speaker channel separation کو کھو دیتے ہیں جو دراصل فائل میں تھا۔
  3. 3Embedded ID3 album art کچھ uploaders کو trip کرتا ہے — وہ فائل کو 'pure audio نہیں' کے طور پر مسترد کرتے ہیں یا اسے strip کرتے اور دوبارہ encode کرتے ہیں، quality کو مزید گراتے ہیں۔

ہم اس کی بجائے کیا کرتے ہیں

  1. 1ہم موجود ہونے پر Xing/LAME header استعمال کرتے ہیں اور موجود نہ ہونے پر frame-count fallback۔ VBR timestamps multi-hour files میں ±0.1 s تک درست رہتے ہیں۔
  2. 2Joint-stereo اور true-stereo MP3s diarization سے پہلے L/R PCM میں decode کیے جاتے ہیں۔ اگر آپ کے speakers panned تھے تو ہم انہیں split رکھتے ہیں۔
  3. 3ID3v1، ID3v2، APE tags، embedded art — سب کچھ بغیر دخل کے pass through۔ ہم آپ کے MP3 کو کبھی دوبارہ encode نہیں کرتے۔

MP3 اپ لوڈز کے لیے سفارش شدہ job settings

Defaults جو ~80% MP3 فائلز میں فٹ ہیں۔ فارم سے فی job override کریں۔

Decoder
Frame-accurate، کوئی re-encode نہیں
Diarization
Channel split اگر stereo، ورنہ acoustic
Speaker ماڈل
Auto · 1-12 speakers
زبان
Auto-detect پہلے 30 s سے
Filler الفاظ
ہٹایا گیا (رکھنے کے لیے toggle)
Export bundle
DOCX + SRT + timestamped TXT

Accuracy · real-world numbers

192 kbps stereo پر 95%+۔ 64 kbps mono تک قابلِ استعمال۔

MP3 درستگی جو encoder نے رکھا سے محدود ہے، ہم سے نہیں۔ Perceptual compression ~96 kbps سے اوپر speech intelligibility کو بہت اچھی طرح محفوظ رکھتا ہے؛ 64 kbps سے نیچے، sibilants اور consonants حل ہونے لگتے ہیں۔ نیچے کے اعداد production میں حقیقی customer MP3s سے ہیں۔

96%
320 kbps stereo، studio source

Speech کے لیے near-lossless۔ Podcast masters، dictation app exports، professional interview rigs۔ Diarization صاف اگر speakers علیحدہ channels پر ہیں۔

95%
192 kbps stereo، 2-3 speakers

Spoken-word MP3s کے لیے سب سے عام bitrate۔ Zoom exports، Riverside downloads، voice recorders default۔ Compression artifacts recognizer کو غیر سنائی۔

91%
128 kbps mono، conversational

Voice memo زیادہ تر phones پر defaults۔ Acoustic diarization 2-4 speakers کو سنبھالتا ہے۔ اعداد اور proper nouns کبھی کبھی ایک نگاہ کی ضرورت۔

84%
64 kbps mono، archival / phone-dump

پرانے answering-machine rips، lecture archives، narrow-band sources۔ High-frequency consonants (f/s/sh) blur ہو جاتے ہیں۔ اب بھی readable — proofread کا منصوبہ بنائیں۔

عام سوالات

8 چیزیں جو لوگ MP3 transcription کے بارے میں پوچھتے ہیں۔

01سب سے کم MP3 bitrate کیا ہے جو ابھی قابلِ استعمال ٹرانسکرپٹ دے؟+
64 kbps عملی floor ہے۔ اس سے نیچے، sibilants (s، sh، f) شور میں compress ہو جاتے ہیں اور word error rate 20% سے اوپر چڑھ جاتی ہے۔ اگر آپ تازہ record کر رہے ہیں تو 128 kbps mono یا 192 kbps stereo target کریں — کچھ بھی اس سے زیادہ speech کے لیے overkill ہے۔
02کیا مجھے اپنے MP3 کو پہلے WAV میں تبدیل کرنا ہے؟+
نہیں۔ MP3 → WAV دوبارہ encoding کوئی درستگی نہیں جمع کرتی کیونکہ encoder نے جو data ہٹایا وہ ہمیشہ کے لیے چلا گیا۔ MP3 کو براہ راست اپ لوڈ کریں۔ ہم frames کو memory میں decode کرتے ہیں اور PCM کو recognizer کو کھلاتے ہیں۔
03کیا stereo MP3 مجھے mono سے بہتر speaker labels دے گا؟+
صرف اگر speakers دراصل میں علیحدہ channels پر record کیے گئے تھے — زیادہ تر stereo MP3s کے دونوں طرفوں پر ایک جیسی آڈیو ہے ('dual mono') اور کچھ حاصل نہیں کرتے۔ True channel-split (مثلاً Riverside exports، two-mic field rigs) ہمیں acoustic diarization کو چھوڑنے اور speakers کو near-perfectly label کرنے دیتا ہے۔
04MP3 فائل کی زیادہ سے زیادہ سائز آپ قبول کرتے ہیں؟+
5 GB فی اپ لوڈ، جو تقریباً 192 kbps پر 60 گھنٹے یا 128 kbps پر 90 گھنٹے ہے۔ اگر آپ کی فائل بڑی ہے تو ہم chunked اپ لوڈ دکھائیں گے — اسے خود split کرنے کی ضرورت نہیں۔
0560 منٹ کی MP3 کو ٹ��انسکرائب کرنے میں کتنا وقت لگتا ہے؟+
عام طور پر 90 سیکنڈ اپ لوڈ-مکمل سے ٹرانسکرپٹ-تیار تک، bitrate سے قطع نظر۔ MP3 frames کو decode کرنا تیز ہے؛ وقت recognizer میں ہے۔ Diarization multi-speaker فائلوں پر 5-10 سیکنڈ شامل کرتا ہے۔
06میری MP3 میں background موسیقی ہے — کیا ٹرانسکرپٹ خراب ہو جائے گا؟+
Speech کے تحت خاموش bed music ٹھیک ہے۔ دور کی موسیقی جو voice سے compete کرتی ہے (intro stings، interviews کے تحت scoring) کبھی کبھی overlapping syllables پر misrecognitions trigger کرتی ہے۔ Job form پر music suppression toggle کریں pre-filter کے لیے۔
07کیا آپ phone voicemail یا answering machines سے ripped MP3s handle کر سکتے ہیں؟+
ہاں، اگرچہ یہ اکثر 8 kHz narrow-band ہیں MP3 کے طور پر دوبارہ encode کیے گئے — آڈیو quality ceiling اصل PSTN capture سے set ہے، MP3 wrapper سے نہیں۔ اس طرح کے source پر 78-85% درستگی کی توقع کریں، جو ہمیں underlying call پر ملے۔
08کیا آپ transcription کے بعد میری MP3 رکھتے ہیں؟+
فائلیں default کے طور پر 30 دن بعد delete ہوتی ہیں، یا dashboard کے ذریعے فوری درخواست پر۔ Transcript آپ کے اکاؤنٹ میں جب تک آپ اسے delete نہ کریں تب تک رہتا ہے۔ ہم customer audio کو کسی bhi ماڈل کو train کرنے کے لیے استعمال نہیں کرتے — کبھی نہیں۔

اپنی MP3 کو ڈراپ کریں۔ 90 سیکنڈ میں ٹیکسٹ حاصل کریں۔

ہر ماہ 30 منٹ مفت۔ کوئی کارڈ درکار نہیں۔ اسپیکر لیبلز، 99 زبانیں، ہر export format شامل۔

مفت شروع کریں