Start free

Phiên âm MP3 thành văn bản.Nhãn người nói, 100+ ngôn ngữ.

Thả bất kỳ tệp MP3 nào — ghi chú giọng nói nén 32 kbps hoặc bản master phòng thu 320 kbps — và nhận bản phiên âm có dấu thời gian với nhãn người nói trong khoảng 90 giây.

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

6 things people ask about this.

01Những tốc độ bit MP3 nào được hỗ trợ?+
Tất cả tốc độ bit MP3 tiêu chuẩn từ 32 kbps đến 320 kbps, cả tốc độ bit không đổi (CBR) và tốc độ bit thay đổi (VBR). Độ chính xác tốt nhất ở 128 kbps trở lên. Dưới 64 kbps, nén cảm nhận bắt đầu ảnh hưởng đến độ chính xác của từ — hãy lên kế hoạch xem xét thủ công cho các bản ghi ở chất lượng đó.
02Việc chuyển đổi MP3 sang WAV trước có cải thiện độ chính xác không?+
Không. Chuyển đổi MP3 sang WAV không khôi phục thông tin âm thanh đã mất trong quá trình mã hóa MP3. Nếu bạn có bản ghi gốc ở định dạng WAV hoặc không mất dữ liệu, hãy sử dụng trực tiếp để có kết quả tốt hơn một chút. Nhưng MP3 tiêu chuẩn ở 128 kbps+ đã là nguồn liệu tuyệt vời.
03Kích thước tệp MP3 tối đa là bao nhiêu?+
Free: 100 MB và tối đa 30 phút mỗi tệp (tùy theo điều kiện nào đến trước). Pro: 2 GB và tối đa 10 giờ mỗi tệp (khoảng 8–9 giờ ở 128 kbps). Business: 5 GB và tối đa 10 giờ mỗi tệp. Đối với kho lưu trữ nhiều tệp, hãy gửi mỗi tệp dưới dạng một công việc API riêng biệt — Pro chạy tối đa 20 công việc đồng thời, Business tối đa 50.
04Tôi có thể nhận tệp SRT từ MP3 không?+
Có. Xuất SRT hoặc VTT trực tiếp từ trang phiên âm — hữu ích để tải lại phụ đề lên YouTube, nhúng phụ đề vào bản chỉnh sửa video hoặc lưu trữ bản phiên âm có dấu thời gian. Dấu thời gian khớp với vị trí trong tệp MP3 gốc.
05Mất bao lâu để phiên âm một tệp MP3?+
Tệp MP3 dài 60 phút thường hoàn thành trong 60–120 giây. Các tệp dài được chia nhỏ và xử lý song song — tệp 4 giờ không mất thời gian gấp 4 lần. Các tệp của gói Business được ưu tiên xử lý.
06Nó có hoạt động cho MP3 không phải tiếng Anh không?+
Có — 100+ ngôn ngữ, tự động phát hiện từ 30 giây đầu tiên của âm thanh. Ngôn ngữ cấp 1 (Anh, Tây Ban Nha, Đức, Pháp, Bồ Đào Nha, Ý, Hà Lan, Ba Lan) đạt độ chính xác 95%+ trên mọi MP3 tốc độ bit tiêu chuẩn. Ngôn ngữ cấp 2 (Nga, Nhật, Trung, Hàn và 13 ngôn ngữ khác) đạt độ chính xác cấp sản xuất.

Drop something in. See what comes out.

30 phút miễn phí mỗi tháng, không cần thẻ. Thả bất kỳ tệp MP3 nào — bản phiên âm, nhãn người nói và SRT trong khoảng 90 giây.

Bắt đầu phiên âm miễn phí