Option 01
Whisper 本地/開源
如果你有 GPU 和一個下午就免費。沒有開箱即用的講者分化。
設置Python + CUDA + 10 GB 模型
講者分化未包含（pyannote 附加元件）
速度 · 1 小時 MP3消費級 GPU 上 5–40 分鐘
語言99，但小模型降至 80% 以下
匯出TXT / SRT / VTT / JSON
成本免費 + 你的電費
Best for已經擁有 GPU、不需要講者標籤並想要完全本地隱私的工程師。
將 MP3 轉錄為文字。講者標籤、100+ 種語言。
以 64 到 320 kbps 的任何比率上傳 MP3 檔案。以 99 種語言取得時間戳記、標註講者的記錄——無需格式轉換、無需重新編碼、無需等待隊列。
↓ 看看會輸出什麼
MP3 輸入。 標註講者的記錄輸出。
我們直接讀取 MP3 幀頭——VBR、CBR、聯合立體聲、任何編碼器（LAME、Fraunhofer、FFmpeg）。如果檔案是真立體聲且講者在不同頻道，我們使用它來分割聲音。單聲道混合回退到聲學講者分化。
interview-tape-04.mp3
自動偵測 en-GB44.1 kHz · LAME 3.100
~90s
記錄 · 串流
S1
所以你什麼時候才意識到檔案庫不完整？
S2
大約 2019 年，當我們開始將卷帶數位化時。
S1
那些遺失的卷帶——它們在任何地方都被編目過嗎？
S2
有一份來自 78 年的紙質索引，但一半被水毀。
192 kbps 立體聲 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.
摘要 5逐字稿 1,420講者 2匯出
Founders need post-call content, not just transcripts. Tools force them to stitch 5 apps together.
Sample preview from a founder interview about post-call workflow. Real transcripts look exactly like this — same tabs, same summary block, same key-points / action-items split, same auto-tag chips.
重點摘要
Gap exists between raw recordings and shippable content — tools stop at transcript.
Show notes, social clips, blog drafts all expected by call's end, not next-day.
Current tooling fragmented across 5 apps — no single pipeline.
Conversion-rate signal flipped a buyer-segment assumption at week 3.
40% of original hypothesis survived — the shape held, mechanics rebuilt.
待辦事項
Speaker 1Investigate single-pipeline approach to replace 5-app stitch.
Speaker 2Mock how show-notes draft could flow from the transcript.
Speaker 2Pull conversion-rate by segment, Monday EOD.
Speaker 1Map the 5-app stitch & list which steps actually need a human.
三個真實選項 · 誠實比較
免費本地 Whisper。Otter 或 Sonix。 或我們。
如果你懂技術，可以在自己的筆電上免費執行 Whisper。Otter 和 Sonix 在訂閱儀表板內接受 MP3 上傳。我們取得檔案、返回記錄，不讓你待在 UI 內。
Option 02
Transcription.Solutions
上傳 MP3。以約 0.025 倍即時速度取回標註講者的文字。
設置拖放，無需帳號試用
講者分化內建（Pro 和 Business 方案）
速度 · 1 小時 MP3~90 秒
語言99，自動偵測
匯出SRT · VTT · DOCX · TXT · JSON
成本 · 每分鐘$0.03
Best for任何擁有 MP3 的人——記者錄音帶、播客匯出、語音備忘錄、存檔副本——只想從另一端獲得準確文字。
Option 03
Otter / Sonix
設計精良的儀表板、每月分鐘上限、英文調整。檔案上傳感覺像是附加功能。
設置帳號 + 付費方案
講者分化聲學���傾向英文
速度 · 1 小時 MP3佇列中 5–10 分鐘
語言Otter 僅限英文；Sonix ~40
匯出被付費層鎖定
成本$17+/月 或 $10+/小時（Sonix）
Best for想要記錄編輯器和協作 UI 而不是簡潔的 API 風格檔案→文字流的團隊。
定價和功能可用性以 2026 年 5 月為準。Whisper 性能因模型大小和硬體而異。
MP3 特有
三件在通用轉錄工具上會咬人的事。
MP3 是一個格式，不是錄音風格——這意味著失敗模式來自編碼器，而不是語音。
什麼會出錯
- 1VBR 標頭被誤解析。有些工具將可變比率 MP3 讀取為固定比率並誤計算時長——時間戳記在一小時長的檔案上漂移分鐘。
- 2聯合立體聲在上傳前處理中被壓平為單聲道。你失去了實際在檔案中的每講者頻道分離。
- 3嵌入的 ID3 專輯美術絆住一些上傳器——他們將檔案拒絕為「非純音頻」或剝離它並重新編碼，進一步降低質量。
我們改為做什麼
- 1當存在時我們使用 Xing/LAME 標頭，當不存在時使用幀計數回退。VBR 時間戳記在多小時檔案中保持準確到 ±0.1 秒。
- 2聯合立體聲和真立體聲 MP3 在講者分化前解碼為 L/R PCM。如果你的講者被平移，我們保持它們分離。
- 3ID3v1、ID3v2、APE 標籤、嵌入美術——全部不變地通過。我們永遠不會重新編碼你的 MP3。
MP3 上傳推薦的工作設置
適合 ~80% MP3 檔案的預設值。從表單按工作覆蓋。
- 解碼器
- 幀準確，無重新編碼
- 講者分化
- 立體聲時分割頻道，否則聲學
- 講者模型
- 自動 · 1-12 位講者
- 語言
- 從前 30 秒自動偵測
- 填充詞
- 移除（切換以保留）
- 匯出套組
- DOCX + SRT + 時間戳記的 TXT
Accuracy · real-world numbers
192 kbps 立體聲 95%+。 可用至 64 kbps 單聲道。
MP3 準確度受限於編碼器保留的，而不是我們。感知壓縮在 ~96 kbps 以上保留語音清晰度很好；低於 64 kbps，嘶音和輔��開始溶解。下面的數字來自生產中的真實客戶 MP3。
96%
320 kbps 立體聲、工作室源
對語音幾乎無損。播客主檔案、聽寫應用匯出、專業採訪設備。如果講者在不同頻道，講者分化乾淨。
95%
192 kbps 立體聲、2-3 位講者
口語 MP3 最常見的比率。Zoom 匯出、Riverside 下載、語音記錄器預設值。壓縮成品對識別器無聲。
91%
128 kbps 單聲道、對話式
大多數手機上的語音備忘錄預設值。聲學講者分化處理 2-4 位講者。數字和專有名詞偶爾需要檢查。
84%
64 kbps 單聲道、存檔/電話轉儲
舊的自動應答機錄音、講座存檔、窄帶源。高頻輔音（f/s/sh）模糊。仍可讀——計畫校對。
常見問題
人們常問的 8 件事， 關於 MP3 轉錄。
01最低的 MP3 比率是多少仍然能提供可用的記錄？+
64 kbps 是實際的底線。低於此值，嘶音（s、sh、f）壓縮為雜音，字錯誤率上升至 20% 以上。如果你正在新錄制，目標針對 128 kbps 單聲道或 192 kbps 立體聲——任何更高的都是對語音過度。
02我需要先將我的 MP3 轉換為 WAV 嗎？+
不需要。重新編碼 MP3 → WAV 不增加準確度，因為編碼器丟棄的資料永遠消失了。直接上傳 MP3。我們在記憶體中解碼幀並將 PCM 提供給識別器。
03立體聲 MP3 會給我比單聲道更好的講者標籤嗎？+
只有在講者實際上在不同頻道錄制的情況下——大多數立體聲 MP3 在兩側都有相同的音頻（「雙單聲道」）並未獲得任何收益。真正的頻道分割（例如 Riverside 匯出、雙麥田野設備）讓我們跳過聲學講者分化並近乎完��地標籤講者。
04你接受的最大 MP3 檔案大小是多少？+
每次上傳 5 GB，大約是 192 kbps 的 60 小時或 128 kbps 的 90 小時。如果你的檔案更大，我們會顯示分塊上傳——無需自己分割。
0560 分鐘的 MP3 轉錄需要多長時間？+
通常從上傳完成到記錄就緒需要 90 秒，無論比率如何。解碼 MP3 幀很快；時間在識別器中。講者分化在多講者檔案上增加 5-10 秒。
06我的 MP3 有背景音樂——記錄會被毀掉嗎？+
語音下的安靜背景音樂沒問題。與語音競爭的大聲音樂（介紹音樂、訪談下的評分）有時會在重疊的音節上觸發誤識別。在工作表單上切換音樂抑制進行預過濾。
07你能處理從電話語音信箱或自動應答機擷取的 MP3 嗎？+
可以，儘管這些通常是 8 kHz 窄帶重新編碼為 MP3——音頻質量上限由原始 PSTN 捕獲設置，而不是 MP3 包裝器。預期該類型源頭上的準確度為 78-85%，這與我們在基礎呼叫上獲得的相同。
08轉錄完成後你會保留我的 MP3 嗎？+
檔案預設在 30 天後刪除，或通過儀表板按請求立即刪除。記錄在你刪除前保留在你的帳戶中。我們永遠不使用客戶音頻來訓練任何模型。