Prywatność na pierwszym miejscu
Przesłane pliki są automatycznie i trwale usuwane w ciągu dwóch godzin.
Automatyczne usuwanie
Głos na tekst
Podyktuj notatkę głosową, przypomnienie, wiadomość dla współpracownika lub krótką notatkę bezpośrednio w przeglądarce albo prześlij nagranie, a otrzymasz słowa w pliku tekstowym (.txt, UTF 8). Transkrypcja działa w oparciu o Whisper, model rozpoznawania mowy typu open source, na naszych własnych serwerach – w około 100 językach, wykrywanych automatycznie.
-
Nagraj: Mów do rejestratora w przeglądarce – do 30 minut na jedno nagranie – lub prześlij plik MP3, WAV, M4A, AAC, OGG, FLAC albo WebM.
-
Transkrypcja: Whisper zapisuje słowa wraz z interpunkcją; opcjonalnie oznacza zmiany rozmówców w wywiadach i podczas spotkań. Wynik: plik tekstowy (.txt, UTF 8).
-
Prywatność: nic nie jest przesyłane, dopóki nie potwierdzą Państwo operacji. Nagranie audio i transkrypcja są automatycznie usuwane po przetworzeniu, najpóźniej w ciągu kilku godzin.
Transkrypcja
Jak działa konwersja głosu na tekst
Strona łączy rejestrator działający w przeglądarce z systemem transkrypcji wykorzystującym GPU. Nagrywanie odbywa się za pomocą interfejsu MediaRecorder wbudowanego w Chrome, Firefox, Edge i Safari, a rozpoznawanie mowy wykonuje Whisper — model open source opublikowany przez OpenAI, działający na naszym własnym sprzęcie, a nie za pośrednictwem zewnętrznego API.
Jak korzystać z Converter App
1
Nagraj lub prześlij plik
Naciśnij „Nagraj za pomocą mikrofonu”, jednorazowo zezwól na dostęp i zacznij mówić. Minutnik i wskaźnik poziomu potwierdzą, że dźwięk jest odbierany. Możesz też przesłać istniejące nagranie – notatki głosowe z dowolnego telefonu będą odpowiednie.
2
Sprawdź i rozpocznij
Odsłuchaj nagranie w oknie dialogowym. W przypadku wywiadów i spotkań włącz opcję „Wykryj wielu mówców” (oznacza ona, kto mówi, ale znacznie wydłuża czas przetwarzania). Następnie rozpocznij transkrypcję.
3
Pobierz transkrypcję
Postęp jest wyświetlany podczas pracy modelu; przetworzenie kilku minut nagrania zwykle zajmuje znacznie mniej niż minutę. Na stronie wyników można pobrać plik tekstowy (.txt, UTF 8).
Najważniejsze funkcje
Technologia Whisper w tle
Whisper został wytrenowany na 680 000 godzin wielojęzycznych nagrań audio i znacznie lepiej radzi sobie z akcentami, hałasem w tle oraz słownictwem technicznym niż silniki dyktowania sprzed kilku lat. Język jest wykrywany automatycznie.
Wykrywanie mówców na żądanie
W przypadku rozmów opcjonalne wykrywanie mówców oznacza zmiany mówcy w transkrypcji. Mniej więcej dwukrotnie wydłuża czas przetwarzania, dlatego jest domyślnie wyłączone.
Tekst dopasowany do Twojego sposobu pracy
Transkrypcja jest zapisywana jako zwykły plik tekstowy UTF 8 z normalną interpunkcją i podziałem na akapity, dzięki czemu można ją otworzyć w dowolnym edytorze, edytorze tekstu lub aplikacji do notatek i wkleić w dowolnym miejscu.
Bezpłatnie i prywatnie
Bez konta, bez znaku wodnego, bez limitu wersji próbnej. Nagranie nie opuszcza urządzenia, dopóki nie zostanie to potwierdzone, a plik audio i transkrypcja są automatycznie usuwane po przetworzeniu.
Doświadczenie i prywatność
Stworzone z myślą o niezawodnych procesach transkrypcji.
Opracowane przez inżynierów z ponad 10-letnim doświadczeniem w infrastrukturze wielkoskalowej, systemach danych i obliczeniach naukowych. Zaprojektowane z myślą o rzeczywistych procesach audio, w których liczą się prywatność, niezawodne przetwarzanie i praktyczna użyteczność.
Zaufane przez użytkowników
Ocena 5 gwiazdek na Trustpilot za szybkość, niezawodność i łatwość obsługi.
Zaufanie użytkowników
Zastosowanie akademickie
Wspominane w opublikowanych badaniach i używane do transkrypcji wywiadów oraz analizy danych jakościowych.
Do użytku badawczego
Mierzone na naszych serwerach
Czego można się spodziewać podczas konwertowania Voice do Text
Rzeczywiste dane ze wszystkich konwersji wykonanych w tym narzędziu od 24 października 2026. Nic nie jest tutaj szacowane: rejestrujemy czas trwania każdego zadania oraz rozmiar plików. Nazwy plików ani ich zawartość nigdy nie są przechowywane.
43 s
Typowy czas przetwarzania
dla pliku o rozmiarze 5.9 MB (mediana)
51
Konwersje
od 24 października 2026
131 MB
Największy przekonwertowany plik
od 24 października 2026
Przewidywany czas zależny od rozmiaru pliku
Czas trwania konwersji
udział we wszystkich konwersjach
- poniżej 1 s0%
- 1–10 s14%
- 10–60 s39%
- 1–5 min29%
- ponad 5 min18%
Czasy dotyczą wyłącznie przetwarzania na serwerze i są mierzone po zakończeniu przesyłania; czas przesyłania i pobierania nie jest uwzględniany. Duże pliki wymagają więcej czasu, ale limit jest taki sam dla wszystkich: bez konta i bez możliwości wykupienia priorytetu w kolejce. Zaktualizowano 2026-11-07
Jak głos staje się tekstem na tej stronie
Przeglądarka rejestruje dźwięk z mikrofonu jako Opus (Chrome, Firefox, Edge) lub AAC (Safari) i przechowuje go w pamięci. Po potwierdzeniu plik jest przesyłany przez HTTPS na jeden z naszych serwerów transkrypcji.
Na serwerze ffmpeg dekoduje dźwięk, a Whisper – model rozpoznawania mowy typu open source – przekształca go w tekst w jednym przebiegu, uwzględniając interpunkcję i podziały zdań. Jeśli wykrywanie mówców jest włączone, model diarizacji najpierw dzieli dźwięk według mówców, a transkrypcja jest odpowiednio oznaczana.
Transkrypcja jest zapisywana jako zwykły plik tekstowy UTF 8 z normalną interpunkcją i podziałami akapitów, dzięki czemu można ją otworzyć w dowolnym edytorze, programie do edycji tekstu lub aplikacji do notatek oraz wkleić w dowolnym miejscu. Strona wyników umożliwia jej pobranie; dźwięk i transkrypcja są następnie automatycznie usuwane.
Wskazówki dotyczące nagrywania ważniejsze niż jakiekolwiek ustawienie
Rozpoznawanie mowy jest tak dobre, jak jakość dźwięku. Największe znaczenie mają trzy czynniki: odległość, hałas i nakładające się wypowiedzi. Mikrofon należy trzymać 10–20 cm od ust; telefon trzymany blisko sprawdzi się lepiej niż laptop stojący po drugiej stronie stołu. Należy wyłączyć wentylatory, zamknąć okno i unikać pomieszczeń z silnym pogłosem.
Należy mówić w normalnym tempie i kończyć zdania – model wykorzystuje kontekst, dlatego urwane zdania i słowa wypełniające powodują gorszą jakość tekstu niż nieco wolniejsza, ale pełna wypowiedź. Podczas wywiadów warto poprosić rozmówców, aby nie mówili jednocześnie; nakładająca się mowa to najtrudniejszy przypadek dla każdego systemu rozpoznawania mowy.
Przed rozpoczęciem należy odsłuchać podgląd. Jeśli wskaźnik poziomu ledwo się porusza lub stale utrzymuje się na maksymalnym poziomie, lepiej nagrać materiał ponownie, zamiast liczyć na poprawną transkrypcję.
Typowe zastosowania konwersji głosu na tekst
Z tego narzędzia korzystają osoby, które wolą mówić niż pisać, lub potrzebują wiadomości głosowej poza aplikacją czatu: do tworzenia wiadomości e-mail lub artykułu za pomocą mówienia, zapisywania protokołów ze spotkań, przekształcania wykładu lub notatki głosowej w notatki z możliwością wyszukiwania, transkrypcji odpowiedzi z wywiadów do celów badawczych oraz uzyskania czytelnej wersji wiadomości głosowej, której nie można teraz odtworzyć.
Ponieważ Whisper automatycznie wykrywa język, ta sama strona działa dla dyktowania po niemiecku, notatki głosowej po hiszpańsku lub wykładu po angielsku bez żadnych ustawień. Transkrypcja nie jest tłumaczona – jest zapisywana w języku, w którym mówiono.
W przypadku dźwięku, który już istnieje jako plik – podcastów, wykładów, rozmów – konwertery audio na tekst i MP3 na tekst na tej stronie korzystają z tego samego silnika i tych samych opcji.
Czego to narzędzie nie robi
Narzędzie nie tłumaczy: transkrypcje są tworzone w języku mówionym. Nie generuje znaczników czasowych napisów — w przypadku plików SRT lub VTT skorzystaj z dostępnych na tej stronie konwerterów napisów. Nie rozpoznaje mówców po nazwisku, a jedynie wykrywa zmianę mówcy, gdy włączone jest wykrywanie mówców. Nie może też odtworzyć słów, które są niesłyszalne w nagraniu.
Nazwy własne, nazwy produktów i rzadko używane skróty są najczęstszym źródłem błędów; szybkie przeczytanie wyniku z uwzględnieniem tych elementów to zazwyczaj jedyna korekta potrzebna w przypadku wyraźnego nagrania.
FAQ
Najczęściej zadawane pytania
Jak dokładna jest transkrypcja?
W przypadku wyraźnego nagrania z jednym mówcą Whisper zazwyczaj poprawnie rozpoznaje znacznie ponad 90% słów w głównych językach, wraz z interpunkcją. Dokładność spada przy silnym hałasie w tle, kilku osobach mówiących jednocześnie, bardzo cichym dźwięku lub wyraźnym dialekcie – poniższe wskazówki dotyczące nagrywania pomagają bardziej niż jakiekolwiek ustawienie.
Które języki są obsługiwane?
Whisper rozpoznaje około 100 języków i automatycznie wykrywa język na podstawie pierwszych sekund nagrania, więc nie trzeba niczego ustawiać. Nagrania w wielu językach są transkrybowane w języku dominującym. Transkrypcja jest tworzona w języku mówionym; nie jest tłumaczona.
Czy dźwięk jest przesyłany podczas mówienia?
Nie. Rejestrator przechowuje dźwięk w przeglądarce, dopóki nie naciśnie Pan/Pani przycisku w oknie dialogowym. Jeśli Pan/Pani anuluje operację lub zamknie kartę, nic nie zostanie wysłane. Przesłane pliki i transkrypcje są automatycznie usuwane po przetworzeniu.
Jak długie może być nagranie?
Nagrywanie w przeglądarce kończy się po 30 minutach; przesłane pliki mogą być dłuższe. Czas przetwarzania rośnie wraz z długością nagrania audio, a wykrywanie mówców zajmuje dodatkowo mniej więcej tyle samo czasu.
Co robi opcja „Wykryj wielu mówców”?
Przed transkrypcją narzędzie wykonuje etap rozpoznawania mówców i wstawia znacznik przy każdej zmianie osoby mówiącej. Funkcja sprawdza się w przypadku wywiadów, spotkań i podcastów; w przypadku dyktowania oraz notatek głosowych należy ją wyłączyć, ponieważ tylko wydłuża czas oczekiwania.
Czy później można edytować tekst?
Tak – wynikiem jest zwykły plik .txt. Proszę otworzyć go w dowolnym edytorze, poprawić nazwy lub terminy techniczne, które model mógł błędnie rozpoznać, a następnie wkleić tekst tam, gdzie jest potrzebny. Najczęściej warto sprawdzić nazwy własne i rzadko używane skróty.