Wybierz język
  1. Strona główna
  2. Głos
  3. MP3 na tekst

Konwertuj MP3 na tekst

Zamień mowę z plików MP3 i innych plików audio lub wideo na tekst za pomocą modelu Whisper działającego na Twoim urządzeniu. Znaczniki czasu oraz eksport do TXT, SRT i VTT.

Wczytywanie narzędzia…
Oceń to narzędzie
Brak ocen. Oceń jako pierwszy.

Jak korzystać

  1. Krok 1

    Otwórz nagranie

    Przeciągnij na stronę plik MP3, WAV, M4A lub inny plik audio albo wideo.

  2. Krok 2

    Wybierz język

    Wybierz model Szybki (Whisper Tiny, ok. 41 MB) lub Dokładny (Whisper Base, ok. 77 MB), a następnie język wypowiedzi lub automatyczne wykrywanie. Model pobiera się tylko raz.

  3. Krok 3

    Transkrybuj

    Rozpocznij transkrypcję. Tekst pojawia się ze znacznikami czasu, w miarę jak kolejne fragmenty są gotowe.

  4. Krok 4

    Eksportuj

    Kliknij dowolny wiersz, aby go poprawić, a potem skopiuj tekst lub pobierz go jako TXT albo jako napisy SRT i VTT.

Rozpoznawanie mowy w przeglądarce

To narzędzie zamienia MP3 na tekst za pomocą Whisper, otwartego modelu rozpoznawania mowy. Większość internetowych usług transkrypcji wysyła Twoje nagranie na serwer. Tutaj model pobiera się do przeglądarki jednorazowo, a potem działa na Twoim komputerze lub telefonie. Nagranie nigdy nie opuszcza urządzenia, co ma znaczenie przy wywiadach, notatkach medycznych i prawnych, spotkaniach oraz prywatnych wiadomościach głosowych. Po pierwszym pobraniu model jest zapisywany w przeglądarce i następnym razem ładuje się szybciej.

Języki i dokładność

Whisper działa tu w 23 językach, w tym po angielsku, hiszpańsku, francusku, niemiecku, włosku, portugalsku, rosyjsku, chińsku, japońsku, koreańsku, turecku i polsku. Dokładność jest najlepsza przy wyraźnej mowie z niewielkim szumem w tle. Jest niższa w przypadku:

  • kilku osób mówiących jednocześnie;
  • głośnej muzyki lub hałasu w tle;
  • bardzo cichych lub oddalonych rozmówców;
  • rzadkich nazwisk i terminów specjalistycznych;
  • mieszania kilku języków w jednym zdaniu.

Samodzielny wybór języka zamiast automatycznego wykrywania zwykle daje lepsze wyniki, zwłaszcza przy krótkich nagraniach.

Formaty wyjściowe

FormatZawartośćZastosowanie
TXTzwykły tekstnotatki, dokumenty, cytaty
SRTnumerowane napisy z czasem początku i końcaedytory wideo, YouTube, większość odtwarzaczy
VTTnapisy internetowe z czasamiodtwarzacze wideo HTML5, strony internetowe

Szybkość i długie nagrania

Transkrypcja to duże obciążenie dla komputera. Na nowoczesnym laptopie godzinne nagranie może zająć od kilku minut do czasu dłuższego niż samo nagranie, w zależności od procesora, rozmiaru modelu i przeglądarki. Telefony są wolniejsze. Podczas pracy nie zamykaj karty. Bardzo długie pliki możesz też pociąć na części w narzędziu Dzielenie audio i transkrybować je po kolei.

Wskazówki dla lepszej transkrypcji

Model analizuje nagranie w krótkich oknach, po ok. 30 sekund, i zapisuje to, co usłyszy, wraz z czasem początku i końca. Sam dodaje interpunkcję i wielkie litery, ale nie wie, kto mówi, więc w wywiadzie rozmówców trzeba oznaczyć samodzielnie. Długie fragmenty ciszy i muzyka bez mowy są pomijane lub zostają puste. Jeśli nagranie zaczyna się od muzyki, pierwsze wiersze tekstu mogą pojawić się później, niż się spodziewasz – to normalne.

  1. Przed transkrypcją oczyść zaszumione nagrania za pomocą narzędzia Redukcja szumów.
  2. Jeśli mówca jest cichy, najpierw podnieś poziom głośności w narzędziu Normalizacja.
  3. W przypadku napisów sprawdź synchronizację w odtwarzaczu wideo. Jeśli jeden napis jest zbyt długi, by go przeczytać, podziel go w edytorze tekstu – SRT i VTT to zwykłe pliki tekstowe.
  4. Zawsze przeczytaj transkrypcję przynajmniej raz. Popraw nazwiska, liczby i słowa, które model mógł źle usłyszeć.

Pliki wideo też działają: wrzuć plik MP4, a narzędzie przepisze jego ścieżkę dźwiękową. To szybki sposób na napisy do własnych filmów.

Najczęstsze pytania

Jak za darmo zamienić MP3 na tekst?

Przeciągnij plik MP3 na stronę, wybierz język, rozpocznij transkrypcję i pobierz tekst jako TXT, SRT lub VTT.

Czy moje nagranie jest wysyłane na serwer?

Nie. Model Whisper działa w Twojej przeglądarce. Jednorazowo pobiera się tylko model, a nagranie zostaje na Twoim urządzeniu.

Jakie języki są obsługiwane?

23 języki, w tym angielski, hiszpański, francuski, niemiecki, rosyjski, chiński, japoński i koreański. Zamiast języka oryginału możesz też otrzymać tłumaczenie na angielski.

Czy mogę zrobić napisy do filmu?

Tak. Wrzuć film, wykonaj transkrypcję i pobierz napisy SRT lub VTT ze znacznikami czasu.

Dlaczego transkrypcja trwa tak długo?

Rozpoznawanie mowy wymaga dużej mocy obliczeniowej i odbywa się na Twoim urządzeniu. Wybierz model Szybki, a w opcji Uruchom na zostaw kartę graficzną – jest znacznie szybsza niż procesor.

Więcej narzędzi