选择语言
  1. 首页
  2. 语音
  3. MP3 转文字

将 MP3 转文字

使用在本地设备上运行的 Whisper 模型,把 MP3 等音频或视频文件中的语音转写为文字。支持时间戳,可导出 TXT、SRT、VTT。

工具加载中…
为此工具评分
暂无评分,快来抢先评价吧。

使用方法

  1. 第 1 步

    打开录音

    将 MP3、WAV、M4A 等音频文件或视频拖放到页面上。

  2. 第 2 步

    选择语言

    选择“快速”(Whisper Tiny,约 41 MB)或“精准”(Whisper Base,约 77 MB),再选择说话语言或自动检测。模型只需下载一次。

  3. 第 3 步

    开始转写

    开始转写。每完成一部分,文字就会连同时间戳一起显示出来。

  4. 第 4 步

    导出

    点击任意一行即可修改,然后复制文字,或下载为 TXT,也可下载 SRT 和 VTT 字幕。

在浏览器中进行语音识别

本工具使用开源语音识别模型 Whisper 将 MP3 转换为文字。大多数在线转写服务会把你的音频上传到服务器,而在这里,模型只需下载到浏览器一次,之后就在你自己的电脑或手机上运行。你的录音不会离开设备,非常适合访谈、医疗或法律记录、会议以及个人语音消息。首次下载后,模型会由浏览器保存,下次加载更快。

语言与准确率

这里的 Whisper 支持 23 种语言,包括英语、西班牙语、法语、德语、意大利语、葡萄牙语、俄语、中文、日语、韩语、土耳其语和波兰语。语音清晰、背景噪音小时,准确率最高。以下情况准确率会下降:

  • 多人同时说话;
  • 背景音乐或噪音很大;
  • 说话声音很小或距离很远;
  • 不常见的人名和专业术语;
  • 一句话中混用多种语言。

相比自动检测,自己选择语言通常效果更好,对较短的录音尤其如此。

输出格式

格式内容用途
TXT纯文本笔记、文档、引用
SRT带编号和起止时间的字幕视频剪辑软件、YouTube、大多数播放器
VTT带时间的网页字幕HTML5 视频播放器、网页

速度与长录音

转写对计算机来说是一项繁重的任务。在较新的笔记本电脑上,一小时的录音可能需要几分钟,也可能比录音时长还久,具体取决于处理器、模型大小和浏览器。手机会更慢。转写期间请保持标签页打开。对于特别长的文件,也可以先用音频分割把录音切成几段,再逐段转写。

获得更好转写结果的小技巧

模型每次听取约 30 秒的短片段,并写出听到的内容及起止时间。它会自动添加标点和大写字母,但无法识别是谁在说话,所以访谈中的说话人需要你自己标注。长时间的静音和没有人声的音乐会被跳过或留空。如果录音开头是音乐,前几行文字可能比你预期的出现得晚,这是正常现象。

  1. 转写前,先用降噪清理有噪音的录音。
  2. 如果说话声音较小,请先用音量标准化提高音量。
  3. 制作字幕时,请在视频播放器中检查时间轴。如果某条字幕太长不便阅读,可以在文本编辑器中把它拆开;SRT 和 VTT 都是纯文本文件。
  4. 务必通读一遍转写结果,更正模型可能听错的人名、数字和词语。

视频文件同样适用:拖入 MP4,工具就会转写其中的音轨,为自己的视频制作字幕非常方便。

常见问题

如何免费将 MP3 转换为文字?

把 MP3 拖到本页面,选择语言,开始转写,然后将文字下载为 TXT、SRT 或 VTT。

转写时我的音频会被上传吗?

不会。Whisper 模型在你的浏览器中运行。只有模型需要下载一次,你的音频始终保留在本地设备上。

支持哪些语言?

支持 23 种语言,包括英语、西班牙语、法语、德语、俄语、中文、日语和韩语。你也可以获得英文翻译,而不是原语言文本。

可以为视频制作字幕吗?

可以。拖入视频,转写后即可下载带时间戳的 SRT 或 VTT 字幕。

为什么转写很慢?

语音识别需要大量算力,而且是在你自己的设备上运行。请使用“快速”模型,并将“运行于”设为显卡,这比使用处理器快得多。

更多工具