Option 01
Whisper 本地 / 开源
如果你有 GPU 和一个下午，免费。开箱没有说话人分离。
设置Python + CUDA + 10 GB 模型
说话人分离不包含（pyannote 插件）
速度 · 1 小时 MP3消费级 GPU 上 5–40 分钟
语言99 种，但小模型低于 80%
导出TXT / SRT / VTT / JSON
成本免费 + 你的电费
Best for已经拥有 GPU、不需要说话人标签、需要完整本地隐私的工程师。
将 MP3 转录为文字。说话人标签，100+ 种语言。
上传任意比特率（64 到 320 kbps）的 MP3 文件。获得 99 种语言的带时间戳、带说话人标签的文字稿 — 无需格式转换、无需重新编码、无需排队等待。
↓ 看看输出的内容
MP3 进， 分说者文字稿出。
我们直接读取 MP3 帧头 — 支持 VBR、CBR、联合立体声、任何编码器（LAME、Fraunhofer、FFmpeg）。如果文件是真立体声且说话人在不同声道，我们用此分离语音。单声道混音则回退到声学分说者识别。
interview-tape-04.mp3
自动检测 en-GB44.1 kHz · LAME 3.100
~90s
文字稿 · 流式传输
S1
那你什么时候意识到档案不完整的？
S2
大概在 2019 年，当我们开始数字化这些盘带的时候。
S1
那些丢失的磁带呢 — 有地方编目过吗？
S2
有一份 78 年的纸质索引，但有一半被水浸了。
192 kbps 立体声准确率 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.
Summary 5Transcript 1,420Speakers 2导出
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.
Key points
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.
待办事项
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.
三个真实选项 · 诚实比较
免费本地 Whisper。Otter 或 Sonix。 或者选我们。
如果你有技术背景，可以在笔记本上免费运行 Whisper。Otter 和 Sonix 在订阅仪表板内接受 MP3 上传。我们接收文件并返回文字稿，不会让你困在界面里。
Option 02
Transcription.Solutions
上传 MP3。获得带说话人标签的文字稿，几乎实时返回 × 0.025。
设置拖放即可，无需账户即可试用
说话人分离内置（专业版和企业版计划）
速度 · 1 小时 MP3约 90 秒
语言99 种，自动检测
导出SRT · VTT · DOCX · TXT · JSON
成本 · 每分钟$0.03
Best for任何有 MP3 的人 — 记者磁带、播客导出、语音备忘录、归档副本 — 只想快速获得准确的文字。
Option 03
Otter / Sonix
精美的仪表板，月度分钟限制，英文优化。文件上传感觉像个副功能。
设置账户 + 付费计划
说话人分离声学，偏向英文
速度 · 1 小时 MP3队列中 5–10 分钟
语言Otter 仅英文；Sonix 约 40 种
导出被锁定在付费层后
成本$17+/月 或 $10+/小时（Sonix）
Best for想要转录编辑和协作界面的团队，而不是干净的 API 风格的文件→文字流程。
定价和功能可用性截至 2026 年 5 月准确。Whisper 性能因模型大小和硬件而异。
MP3 特有
三个陷阱。 通用转录工具上常见的
MP3 是一种格式，不是录音风格 — 这意味着失败模式来自编码器，而不是语音。
哪里出错
- 1VBR 头被误解析。 一些工具将可变比特率 MP3 读为固定比特率并误算时长 — 时间戳在一小时文件中漂移数分钟。
- 2联合立体声在上传预处理时被压平为单声道。 你丧失了文件中实际存在的每说话人声道分离。
- 3嵌入的 ID3 唱片封面让一些上传工具犯错 — 它们将文件拒为'非纯音频'或剥离并重新编码，进一步降低质量。
我们改用什么
- 1我们在有 Xing/LAME 头时使用它，没有时用帧计数回退。VBR 时间戳在多小时文件中保持 ±0.1 秒的准确度。
- 2联合立体声和真立体声 MP3 在分说者之前解码为 L/R PCM。如果你的说话人被对位，我们保持它们分离。
- 3ID3v1、ID3v2、APE 标签、嵌入艺术 — 全部原样通过。我们永远不重新编码你的 MP3。
MP3 上传的推荐任务设置
适配约 80% MP3 文件的默认值。从表单按任务覆盖。
- 解码器
- 帧精确，无重新编码
- 分说者
- 如果立体声则声道分离，否则声学
- 说话人模型
- 自动 · 1-12 个说话人
- 语言
- 从前 30 秒自动检测
- 填充词
- 已移除（切换以保留）
- 导出包
- DOCX + SRT + 带时间戳 TXT
Accuracy · real-world numbers
192 kbps 立体声 95%+ 准确率。 64 kbps 单声道仍可用。
MP3 准确率受 编码器保留了什么 限制，而不是受我们限制。96 kbps 以上的感知压缩很好地保留了语音可懂性；低于 64 kbps，嘶音和辅音开始散失。下面的数字来自生产中真实客户的 MP3。
96%
320 kbps 立体声，录音室源
对语音几乎无损。播客母带、听写应用导出、专业录音设备。如果说话人在不同声道，分离清晰。
95%
192 kbps 立体声，2-3 个说话人
口头 MP3 最常见的比特率。Zoom 导出、Riverside 下载、语音记录器默认设置。压缩工件无法被识别器感知。
91%
128 kbps 单声道，对话式
大多数手机的语音备忘录默认值。声学分说者处理 2-4 个说话人。数字和专有名词偶尔需要核实。
84%
64 kbps 单声道，归档 / 电话转储
旧留言机拷贝、讲座档案、窄带源。高频辅音（f/s/sh）模糊。仍然可读 — 计划校对。
常见问题
8 个常见问题。 关于 MP3 转录的
01MP3 的最小比特率是多少仍能给出可用的文字稿？+
64 kbps 是实用下限。以下那会，嘶音（s、sh、f）会压缩成噪音，词错率会攀升超过 20%。如果你在录制新内容，目标 128 kbps 单声道或 192 kbps 立体声 — 高于此对语音来说是浪费的。
02我需要先将 MP3 转换为 WAV 吗？+
不需要。重新编码 MP3 → WAV 不会增加任何准确度，因为编码器丢弃的数据永久丧失了。直接上传 MP3。我们在内存中解码帧并将 PCM 馈送给识别器。
03立体声 MP3 相比单声道会给我更好的说话人标签吗？+
仅当说话人实际上在不同声道录音时 — 大多数立体声 MP3 两边音频相同（'双单声道'），受益无。真正的声道分离（如 Riverside 导出、双麦田野录音）让我们跳过声学分说者，几乎完美标签说话人。
04你接受的最大 MP3 文件大小是多少？+
每次上传 5 GB，大约 192 kbps 下 60 小时或 128 kbps 下 90 小时。如果文件更大，我们会显示分块上传 — 无需你自己拆分。
0560 分钟的 MP3 需要多长时间才能转录？+
通常从上传完成到文字稿就绪 90 秒，与比特率无关。解码 MP3 帧很快；时间在识别器。分说者在多说话人文件上增加 5-10 秒。
06我的 MP3 有背景音乐 — 文字稿会被毁掉吗？+
语音下的安静音乐床不碍事。与语音竞争的大声音乐（开头音效、配乐配音在采访中）有时会在重叠音节上触发误识。在任务表单上切换音乐抑制以预过滤。
07你能处理从手机语音邮件或应答机拉出的 MP3 吗？+
可以，虽然这些通常是从 8 kHz 窄带重新编码成 MP3 — 音频质量天花板由原始 PSTN 捕获设置，而不是 MP3 包装。期待那种来源上 78-85% 的准确率，这和我们在底层通话上的准确率一样。
08文字稿完成后你们会保留我的 MP3 吗？+
文件默认在 30 天后删除，或通过仪表板请求后立即删除。文字稿保留在你的账户中直到你删除。我们不用客户音频训练任何模型 — 永远不会。