MP3 轉 TXT 轉換器 —— AI 語音轉錄

你聽到的壓縮，不是它讀到的壓縮

MP3 捨棄的是你的耳朵不會想念的頻段，而語音辨識樂於遵循同一套邏輯：逐字稿賴以成立的東西——音素、音節邊界、句子的音高輪廓——在普通 MP3 壓縮下完好無缺。以正常位元率輸出的 Podcast，仍然帶著引擎需要的幾乎全部語言內容，所以從 MP3 轉錄根本不是妥協。語音佔用的頻帶遠比音樂窄，常見位元率對這個頻帶的保留相當慷慨——聽得見的壓縮痕跡出現在鈸聲與殘響尾巴裡，而不是出現在「十五」會不會變成「五十」。

機械層面，你的檔案會先解碼成乾淨的 WAV 音訊，FunASR 轉錄管線在其上執行。你永遠看不到這個中間檔；它存在的意義是讓聲學模型永遠面對一致的輸入，無論你的 MP3 用什麼位元率或取樣率。對你而言格式只是包裝；對引擎而言，語句才是真正的載荷。

音訊允許時，一次給三個檔案

TXT 檔是核心產物：完整轉錄的純文字，可直接引用、編輯或存檔。每個成功的任務都會產出它，開啟它也不需要任何特殊軟體——每一款筆記應用、編輯器與聊天視窗都毫無障礙地接受這個格式。

SRT 與對話檔是盡力而為的附加項，不是承諾。它們建立在引擎能對時間軸與分段推斷出什麼的基礎上；語音稀疏、多人搶話、長時間靜音，都可能讓它無米可炊，兩者之一或兩者一起缺席都有可能。只回傳 TXT 的任務算成功——這一頁不會假裝三個檔案總是成套出現。當它們出現時，SRT 的時間戳與音訊保持對齊，對話檔則把語句整理成可讀的段落。

如果字幕對你的工作流程很重要，關掉分頁前先看一眼結果頁：所有產出的檔案都列在那裡，缺了 SRT 說明的是你的音訊，而不是任務失敗。

擅長與吃力的地方

引擎是以 paraformer-zh 為基礎打造的 FunASR 管線，一個為中文最佳化的模型。中文語音轉錄效果最好；中英混合語音——技術會議與產品評審實際上的樣子——是真正的強項：模型能在句子中間切換語言而不掉線。一段夾雜國語簡報、英文產品名、API 名稱與數字的錄音，正是這個模型調校時針對的場景。

純外語音訊是坦白的弱點：純英語錄音與其他語言的品質有限，嘈雜環境或重口音還會再打折扣。把話說在前面，好過交給你一份自信滿滿的錯誤逐字稿。

還有兩條界線。超過 30 分鐘的音訊不接受，長錄音請先切分再上傳。結果中的說話者資訊以引擎輸出為準——可能缺席，我們也不對說話者分離做強承諾。

時間、費用與隱私

多數轉換在幾分鐘內完成；任務上限約 45 分鐘，足以涵蓋最慢的合格錄音，引擎工作時會顯示進度。解碼 MP3 幾乎不佔時間——轉錄才是大頭。30 分鐘的錄音是受理的上限案例，這個上限正是為它設的。

本工具免費、無需登入，你上傳的 MP3 與所有產生檔案會在 24 小時內刪除。上傳走 HTTPS，處理在轉換叢集的記憶體中進行，頁面上沒有任何第三方廣告聯盟。任何時候都不要求電子郵件地址。