MP3 轉文字 - 上傳即出稿，帶逐字時間戳
MP3 轉文字線上工具：上傳即轉寫，自動識別 90+ 語言，輸出帶逐字時間戳的文字稿與 SRT 字幕，單檔案最大 200MB。
最近更新: 2026-10-18
一次 MP3 轉文字，拿回三樣東西
MP3 轉文字，就是把錄音檔案裡說的話變成一份能改、能搜的文字稿。在這裡上傳一個 MP3，你拿回的是文字稿、逐字時間戳、SRT 字幕。不是三次操作，是一次上傳的三個產物。
大多數轉文字工具只給你第一樣。第二樣才是真正省時間的那個——有了逐字時間戳，字幕不用對軸，剪輯不用聽著找點，長音訊可以按詞跳轉。
真實輸出，包括它出的錯
拿站內的一段中文說書音訊實測。下面是未經任何編輯的原始返回：
訪談類錄音是 MP3 轉文字最常見的來源。長句、停頓、口語化的語序，都是斷句準確率的考驗：
識別語言: zho (置信度 88.7%)
文本:
上回書說到，那少年提劍立於城門之西，身後是三千追兵，
身前是莫張深淵。他回頭笑了一聲：“諸位，且聽下回分解。
逐字時間戳(前 12 個):
上[0.42→0.72] 回[0.72→0.88] 書[0.88→1.06] 說[1.06→1.48]
到[1.48→1.84] ，[1.84→2.62] 那[2.62→2.96] 少[2.96→3.18]
年[3.18→3.40] 提[3.40→3.64] 劍[3.64→3.96] 立[3.96→4.22]
它錯了兩處：原文是「城門之下」和「萬丈深淵」，被聽成了「城門之西」和「莫張深淵」。
同音詞是語音識別的固有邊界，任何引擎都一樣。我們把錯誤留在頁面上，是因為這比一段挑出來的完美樣本更有用——你現在就知道 MP3 轉文字該預期什麼：大部分字是對的，專有名詞和成語要過一遍眼。
關鍵是：改字不影響時間戳。在工作臺裡把「之西」改成「之下」，那兩個字的起止時間不變，字幕依然對得上。
MP3 轉文字之後，逐字時間戳能幹什麼
| 用途 | 沒有時間戳時怎麼做 | 有了之後 |
|---|---|---|
| 出字幕 | 匯入剪輯軟體再跑一次識別，然後手動對軸 | 直接匯出 SRT，拖進去就齊 |
| 找一句話在哪 | 拖進度條來回聽 | 搜文字，點一下跳過去 |
| 剪掉某段 | 反覆試聽找入點出點 | 按文字選中，讀出精確秒數 |
| 做二創切片 | 憑感覺切 | 按句邊界切，不切在字中間 |
第一行是最省時間的。SRT 是轉寫時一起算出來的，不是事後再識別一遍——所以不會出現「字幕裡的錯字和文稿裡的錯字不一樣」這種要改兩遍的情況。
說話人區分預設開著
如果音訊裡不止一個人，系統會自動分離並標註是誰在說，最多支援 32 個說話人。訪談、雙人播客、會議錄音做完 MP3 轉文字，直接就是對話稿的形態。
具體效果和適用場景見會議錄音轉文字。
MP3 之外，還能傳哪些音訊
頁面叫 MP3 轉文字，但不只收 MP3。MP3、WAV、M4A、AAC、OGG、FLAC 都能直接上傳，單次總計 200MB 以內。
錄音筆、手機錄音、播客匯出的檔案是什麼格式就傳什麼格式，不用先轉成 MP3——多轉一次只是多一次編碼，對識別沒有任何好處。一小時立體聲 MP3 約 60–120MB，一般的訪談、播客、課程錄音都能一次傳完。
如果手上是影片檔案，看 MP4 轉文字，影片不用先抽音軌也能直接傳。
MP3 轉文字怎麼用
- 開啟語音工作臺 → 轉錄
- 選檔案上傳（MP3/WAV/M4A/AAC/OGG/FLAC，單次總計 ≤200MB）
- 等待——一小時音訊通常一兩分鐘
- 在結果面板裡改錯字，匯出文字稿或 SRT
語言不用選，自動識別；說話人區分和音訊事件標註預設開啟，不用配置。
最常見的四個坑
- 上傳前先轉格式。 前面說過，原格式直接傳，轉碼只會多一次音質損失。
- 只掃一眼就匯出。 普通詞句大多是對的，但人名、地名、成語最容易被同音詞替換，匯出前專門看一遍這些。
- 在剪輯軟體裡逐條改字幕。 正確順序是先在文字稿裡批次改錯字，再匯出 SRT——時間軸不受影響，只改一遍。
- 轉寫完又剪了音訊。 刪掉一段之後，後面所有時間戳都會錯位。先定剪，再轉寫。
常見問題
支援哪些音訊格式？檔案多大？ 瀏覽器能識別為音訊的格式都可以上傳，包括 MP3、WAV、M4A、AAC、OGG、FLAC。單次上傳總大小上限 200MB，按一小時立體聲 MP3 約 60–120MB 計算，一般的訪談、播客、課程錄音都能一次傳完。
MP3 轉文字的準確率有多高？ 清晰單人錄音的準確率通常在 95% 以上，但同音詞仍是語音識別的固有邊界——本頁展示的真實輸出裡就有把「城門之下」聽成「城門之西」的錯誤。我們堅持展示未經修飾的原始結果，因為你可以在工作臺裡直接改，改字不影響已經算好的時間戳。
需要手動選語言嗎？ 不需要。語言自動識別，並會返回置信度。中英混說的內容也能處理，不用預先指定。如果你確定語種，也可以指定以獲得略高的準確率。
轉寫的文字和時間戳能匯出成字幕嗎？ 可以。每次轉寫都會給出逐字級的起止時間，可以直接匯出 SRT 字幕檔案，匯入剪映、Premiere、Final Cut 後與音訊天然對齊，不需要再手動對軸。
開始
費用： 每個檔案 20 點數（單次 ≤200MB），失敗自動退回。¥29.90 的體驗包有 150 點數，夠轉 7 個檔案，點數不過期。
挑一段你最想整理的錄音，做一次 MP3 轉文字，看看逐字時間戳能幫你省下多少回聽的時間。