MP3 转文本

是的，我们使用 “说话人分离（Speaker Diarization）”。在音频行业，Diarization 是将音频流划分为不同说话人片段的专业术语——简单来说，就是判断谁在什么时候说话。

如何使用：

在上传 MP3 之前，在设置中勾选 “区分不同说话人” 选项。

注意：这需要 AI 进行第二次语音模式分析，因此处理时间会比普通转录略长。

我们运行在 Whisper3 架构。这是一个开源的“神经网络”，在超过50万小时的多语言数据上训练而成。我们在高速 NVIDIA GPU 上处理每个文件，确保你能以预期的速度获得该 AI 的全部算力。

为什么重要：与那些基于线性概率猜词的旧工具不同，Whisper 能理解上下文，因此在处理口音、专业术语和背景噪音方面表现要好得多。

要保证接近完美的准确率，请注意以下三点：

• 较高比特率：请使用比特率为192kbps 或更高的 MP3。较低的比特率会产生“数字噪声”，容易干扰 AI。
• 避免背景音乐：这是导致错误的头号原因。AI 会尝试转写它听到的所有内容，包括歌词或乐器声。
• 麦克风距离：确保录音在安静的环境中进行，并且麦克风靠近说话者。

这就是所谓的“AI 幻觉。”有时，如果文件包含长时间的静音或非语音噪音（例如剧烈的呼吸声或风声），AI 会试图在不存在的地方寻找模式，并凭空“杜撰”词语来填补空白。

解决办法：在上传前将音频中的长时间静音部分剪掉。这样可以阻止 AI 进行猜测，并显著改善最终输出。

这很可能是由与语言推断相关的“冷启动”错误引起的。

问题：

我们的 AI 会扫描前 30 秒来识别说话的语言。如果你的文件以长时间静音、嘶杂声或片头音乐开始，AI 就没有足够的“语言数据”可供分析，可能会默认选一个随机语言（通常是英语，有时还会识别出莫名其妙的符号）。

解决方法：

把静音的开头剪掉，让音频一开始就有人声，然后重新上传。

是的。 如果您想立即将音频直接转录为 Microsoft Word 文件 (.docx)，我们为此提供了专用工具。

→ 下一步： 使用我们的 MP3 转 DOCX 转换器。