MP3 转 TXT 转换器 —— AI 语音转写

听感上的压缩，不是转写眼中的压缩

MP3 丢弃的是人耳不会怀念的频率，语音识别恰好遵循同样的逻辑：转写依赖的信息——音素、音节边界、句子的音高起伏——在普通 MP3 压缩下完整保留。以正常码率导出的播客，仍然携带引擎需要的几乎全部语言内容，所以用 MP3 做转写根本不是将就。语音占据的频带远比音乐窄，普通码率就能把这个频带保留得足够充分——可闻的失真出现在镲片和混响尾音上，而不是「说话的人到底说的是十五还是五十」。

流程上，你的文件会先解码为干净的 WAV 音频，FunASR 转写管线在其上运行。你不会见到这个中间文件；它存在的意义是让声学模型始终面对统一的输入，无论你的 MP3 采用什么码率或采样率。对你来说格式只是包装；对引擎来说，文字从来都是货物。

三件产物，视音频而定

TXT 是核心产物：完整转写的纯文本，可直接引用、编辑或归档。每个成功的任务都会产出它，打开它不需要任何专门软件——任何笔记应用、编辑器和聊天窗口都照单全收。

SRT 与对话文件是尽力而为的附加产物，不是承诺。引擎依据可推断的时间与分段信息生成它们；稀疏的语音、互相抢话的发言者、漫长的静音，都可能让它无从下手，于是其中一件或两件缺席。只返回 TXT 的任务同样算成功；页面不会假装三件产物总是同时到场。当附加产物出现时，SRT 的时间戳与音频保持对齐，对话文件把发言归整为可读的分段。

如果字幕对你的流程很重要，请在关闭页面前查看结果页：实际生成的产物都会列在那里，缺一份 SRT 说的是这段音频的特性，而不是任务失败。

擅长什么，吃力什么

转写引擎是 FunASR 管线，底层为针对中文优化的 Paraformer 模型。中文语音效果最好；中英混合语音——技术会议与产品评审的真实语感——是实打实的强项：模型能在句中切换语言而不丢线索。普通话讲解里夹着英文产品名、API 提及和数字的录音，恰恰是这个模型针对的场景。

纯外语音频是坦白承认的短板：纯英文或其他语言录音的质量有限，嘈杂环境或重口音会让它进一步下降。把话说在明处，好过给你一份自信满满的错误转写。

同样有两条边界：超过 30 分钟的音频不予接受，长录音请先切分再上传；结果中的说话人信息以引擎产出为准——可能缺席，我们不做说话人分离的强承诺。

时长、费用与隐私

大多数转换几分钟内完成；任务的超时上限约 45 分钟，足以覆盖最慢的合格录音，引擎工作时会显示进度。相比之下，解码 MP3 几乎不占时间——耗时都花在转写上。30 分钟的录音是可接受的最重场景，超时上限就是按它设计的。

工具免费、无需登录，上传的 MP3 与每个生成文件都会在 24 小时内自动删除。上传走 HTTPS，处理在转换集群的内存中完成，页面上没有任何第三方广告网络。任何环节都不会索要邮箱地址。