将 MP3 文件转换为文本 免费且准确

大多数“免费”转录工具都会限制每天的使用时长，或者在输出文件中添加水印，直到您付费。ScribeGrab 在我们自己的 GPU 上运行 our speech model 模型，因此无需按分钟计费，也没有每日使用上限：单个文件最长可处理 60 分钟和 1.5 GB，自动检测约 100 种语言，并且您的上传内容会在完成后立即删除。

MP3 是大多数录音最终采用的格式，因此 ScribeGrab 可以直接读取它，无需先进行转换。如果您有其他文件呢？WAV、M4A、FLAC、OGG、AAC 以及常见的视频文件都可以以相同的方式使用。请参阅“常规”部分 音频转文本 以获取完整列表。

1. 打开 ScribeGrab，然后点击“打开工具”。
2. 将您的 MP3 文件拖入（最长 60 分钟 / 1.5 GB）。
3. 让 our speech model 模型在我们的 GPU 上进行转录。
4. 下载转录文本为 TXT 格式，如果您需要字幕，还可以下载 SRT/VTT 格式。

人们最先询问 MP3 文件的问题是，它是否具有足够高的质量以进行转录。几乎总是可以。语音识别并非像您听的方式那样工作：在模型处理音频之前，音频会被重新采样为 16 kHz 单声道，因为人类语音的信息就存在于这个频率范围内。一个 320 kbps 立体声文件和一个 128 kbps 单声道文件最终会得到几乎相同的结果，即使是 64 kbps 的语音录音通常也能很好地进行转录。比特率不是您应该担心的问题。

真正决定准确度的因素是录音本身，并且按照影响程度从大到小的顺序排列： 与麦克风的距离 （如果将手机放在离麦克风两米远的桌子上，录音效果会比任何音频编码方式都要差）， 多人同时说话, 过强的回声 例如在一个空旷、墙壁平行的房间里，以及 持续的背景噪音 比如空调声、交通噪音或笔记本电脑的风扇声。近距离录制的 96 kbps 音频效果总是比远距离录制的高品质无损音频更好。

这意味着真正有用的改进在于你在录音之前所做的准备，而不是之后。将录音设备移动到离说话者更近的位置。如果有多个人在说话，可以将录音设备放在他们中间，而不是放在其中一个人的前面。关掉风扇。如果你已经有了这个文件，而且质量不太好，仍然可以进行转录：这是免费的，只需几分钟，并且通过阅读结果你会学到更多，而不是猜测是否值得尝试。

当人们说“音频文件”时，通常指的是 MP3 格式，但它很少是你拥有的唯一版本，有时另一种格式会更好。如果你同时拥有这两种格式，请使用下面的列表。

• WAV 或 FLAC ——未压缩或无损压缩。如果拥有这些格式，请使用它们；它们的体积更大，但尚未进行任何删减。对于相同的音频内容，FLAC 的大小约为 WAV 的一半。
• M4A / AAC ——这是 iPhone 语音备忘录和大多数现代录音设备所产生的格式。在相同的比特率下，其效率略高于 MP3。可以直接上传，无需进行转换。
• MP3 ——通用格式，适用于任何从 64 kbps 及更高的比特率的语音内容。
• OGG / Opus ——这是 WhatsApp 语音消息和 Discord 录音所使用的格式。在低比特率下表现出色。直接上传即可。
• MP4、MOV、MKV、WebM ——视频文件。无需先提取音频；音频轨道将在服务器端进行提取。

在上传之前将 MP3 转换为 WAV 并不会带来任何好处，只会使文件变大，因为 MP3 中删除的信息无法恢复。跳过这一步。单个文件时长最多为： 60 分钟 每个文件都经过一次处理，您将获得一份纯文本的转录稿，以及 SRT 和 VTT 字幕文件，所有这些都来自同一批处理，无论来源是音频还是视频。

输入一个 MP3 文件，输出三个文件，全部来自同一批处理——选择最适合您需求的：

• transcript.txt ——纯文本格式，每句话一行。如果您需要阅读、搜索、引用或将其粘贴到文档中，请选择此文件。
• subtitles.srt ——包含开始和结束时间码的相同文字，格式几乎所有视频平台和编辑器都支持。即使对于纯音频也很有用：这是您查找内容的方式 在这里 在一段两小时的录音中，有人说了些什么。
• subtitles.vtt ——这是同一内容的网页版本，适用于 HTML5 播放器或基于浏览器的编辑器。

当有多个人说话时，转录文本也会显示 说话人标签这些标签是根据声音本身推断出来的——该工具会测量每个语音片段的特征，并将相似的片段归为一组——因此，这是一种有根据的估计，而不是绝对准确的结果。如果两个人的声音很相似，可能会被合并成一个人；而如果一个人离麦克风时近时远，则可能被分成两个人。将这些标签视为一个初步版本，您稍后会进行修改，而不是将其视为法庭上谁说了什么的完整记录。

无论使用哪种工具生成的转录文本，都不能直接发布。按照这个顺序进行整理，可以节省大量时间：

1. 首先修正专有名词，使用查找和替换功能。 人名、公司名称、地点和术语是语音模型最容易出错的地方，而且它们总是以相同的方式出错。 一致地 ——同一个名字每次都会被错误地识别为相同的形式。对每个名字进行一次“全部替换”操作，就可以修正二十个实例。
2. 然后检查句子边界。 标点符号是从停顿和语调中推断出来的，因此，如果说话者声音逐渐消失，则会在不合适的位置出现句号。这只是快速浏览一遍，而不是重写。
3. 首先，校正说话者标签。在开始编辑文本之前，先确认好说话者的姓名——在结构与音频仍然匹配时进行操作。
4. 然后再进行润色：删除填充词、精简重复内容、剪掉开头不完整的句子。最后一步执行此操作，因为之前的每一步都更容易在原始文本的基础上进行。有两件事比上述任何一项都能节省更多时间。将 SRT 文件与文本并排打开——当一段文字看起来混乱时，时间码会直接带你到音频中的那一秒，让你听而不是猜测。如果你自己录制音频，请将麦克风靠近说话者：放在桌子上、距离一臂远的手机会比任何设置都降低准确性，而且这是完全由你控制的唯一变量。

常见问题解答