Sekretess först
Uppladdade filer raderas automatiskt och permanent inom två timmar.
Automatisk radering
Tal till text
Diktera text, berättarröst, föreläsningsanteckningar, intervjusvar eller en snabb voice-over direkt i webbläsaren, eller ladda upp en inspelning, och få orden som en vanlig textfil (.txt, UTF 8). Transkriberingen körs med Whisper, den öppna taligenkänningsmodellen, på våra egna servrar – på omkring 100 språk som identifieras automatiskt.
-
Spela in: Tala i webbläsarens inspelare – upp till 30 minuter per inspelning – eller ladda upp MP3, WAV, M4A, AAC, OGG, FLAC eller WebM.
-
Transkribera: Whisper skriver orden med skiljetecken; markera valfritt talarbyten för intervjuer och möten. Utdata: en oformaterad textfil (.txt, UTF 8).
-
Privat: Ingenting laddas upp förrän du bekräftar. Ljudfilen och transkriptionen raderas automatiskt efter bearbetningen, senast inom några timmar.
Transkribering
Så fungerar tal till text
Sidan kombinerar en inspelare i webbläsaren med en GPU baserad transkriberingsserver. Inspelningen använder MediaRecorder-gränssnittet som är inbyggt i Chrome, Firefox, Edge och Safari; taligenkänningen görs av Whisper, en modell med öppen källkod från OpenAI, som körs på vår egen maskinvara i stället för via ett tredjeparts API.
Så använder du Converter App
1
Spela in eller ladda upp
Tryck på ”Spela in med din mikrofon”, tillåt åtkomst en gång och börja prata. En timer och nivåmätare bekräftar att ljud tas emot. Du kan också ladda upp en befintlig inspelning – röstmemon från vilken telefon som helst fungerar bra.
2
Kontrollera och starta
Lyssna på inspelningen i dialogrutan. Aktivera ”Identifiera flera talare” för intervjuer och möten (funktionen markerar vem som talar men tar märkbart längre tid). Starta sedan transkriberingen.
3
Ladda ner transkriberingen
Förloppet visas medan modellen arbetar; några minuters tal tar vanligtvis betydligt mindre än en minut. Ladda ner en ren textfil (.txt, UTF 8) från resultatsidan.
Nyckelfunktioner
Whisper i bakgrunden
Whisper har tränats på 680 000 timmar flerspråkigt ljud och hanterar accenter, bakgrundsbrus och teknisk vokabulär betydligt bättre än dikteringsmotorerna för några år sedan. Språket identifieras automatiskt.
Talardetektering på begäran
För samtal markerar den valfria talarigenkänningen byten av talare i transkriptionen. Den fördubblar ungefär bearbetningstiden, vilket är anledningen till att den är avstängd som standard.
Textutdata som passar ditt arbetsflöde
Transkriberingen sparas som en vanlig UTF 8 textfil med normal interpunktion och styckeindelning, så att den kan öppnas i valfri textredigerare, ordbehandlare eller anteckningsapp och klistras in var som helst.
Gratis och privat
Inget konto, ingen vattenstämpel och ingen begränsning av provperioden. Inspelningen lämnar aldrig din enhet förrän du bekräftar, och ljudfilen och transkriptionen tas bort automatiskt efter bearbetningen.
Erfarenhet & integritet
Byggd för tillförlitliga transkriptionsarbetsflöden.
Utvecklad av ingenjörer med 10+ års erfarenhet av storskalig infrastruktur, datasystem och vetenskaplig beräkning. Utformad för verkliga ljudarbetsflöden där integritet, pålitlig bearbetning och praktisk användbarhet är viktiga.
Betrodd av användare
Betygsatt med 5 stjärnor på Trustpilot för snabbhet, tillförlitlighet och användarvänlighet.
Användarnas förtroende
Akademisk användning
Refererad i publicerad forskning och använd för intervjutranskribering och kvalitativ dataanalys.
Användning för forskning
Uppmätt på våra servrar
Vad du kan förvänta dig när du konverterar Speech till Text
Verkliga siffror från varje konvertering med det här verktyget sedan 24 oktober 2026. Inget här är uppskattat: vi registrerar hur lång tid varje jobb tog och hur stora filerna var. Filnamn och innehåll lagras aldrig.
9.2 s
Typisk bearbetningstid
för en fil på 1.6 MB (median)
23
Konverteringar
sedan 24 oktober 2026
141 MB
Största konverterade filen
sedan 24 oktober 2026
Hur lång tid konverteringar tar
andel av alla konverteringar
- under 1 s0%
- 1–10 s52%
- 10–60 s39%
- 1–5 min0%
- över 5 min9%
Tiderna avser endast serverbearbetning och mäts efter att uppladdningen har slutförts; uppladdning och nedladdning ingår inte. Stora filer tar längre tid, men gränsen är densamma för alla: inget konto och ingen köprioritet att köpa. Uppdaterad 2026-11-04
Så blir tal till text på den här sidan
Din webbläsare spelar in mikrofonen som Opus-ljud (Chrome, Firefox, Edge) eller AAC (Safari) och behåller det i minnet. När du bekräftar laddas filen upp via HTTPS till en av våra transkriberingsservrar.
Där avkodar ffmpeg ljudet och Whisper – en öppen källkodsmodell för taligenkänning – omvandlar det till text i ett enda steg, inklusive skiljetecken och meningsbrytningar. Om talaridentifiering är aktiverad delar en diariseringsmodell först upp ljudet efter talare, och transkriptionen annoteras därefter.
Transkriptionen sparas som en vanlig UTF 8 textfil med normala skiljetecken och styckebrytningar, så att den kan öppnas i valfri textredigerare, ordbehandlare eller anteckningsapp och klistras in var som helst. På resultatsidan kan du ladda ner den; ljudet och transkriptionen raderas automatiskt efteråt.
Inspelningstips som är viktigare än någon inställning
Taligenkänning är bara så bra som ljudet. Tre saker gör störst skillnad: avstånd, brus och överlappande tal. Håll mikrofonen 10–20 cm från munnen; en telefon som hålls nära är bättre än en bärbar dator på andra sidan bordet. Stäng av fläktar, stäng fönstret och undvik rum med kraftigt eko.
Tala i normal takt och avsluta meningarna – modellen använder sammanhanget, så halvfärdiga meningar och utfyllnadsord ger sämre text än något långsammare, komplett tal. Vid intervjuer bör personerna ombes att inte prata i mun på varandra; överlappande tal är det svåraste fallet för alla taligenkänningssystem.
Lyssna på förhandsvisningen innan du börjar. Om nivåmätaren knappt rör sig eller hela tiden ligger på max bör du spela in på nytt i stället för att hoppas att transkriberingen blir korrekt.
Vanliga användningsområden för tal till text
Det här verktyget används av lärare, poddare, journalister och alla som tänker snabbare högt än på ett tangentbord: för att skriva utkast till e-post eller artiklar genom att prata, fånga mötesanteckningar, omvandla en föreläsning eller ett röstmemo till sökbara anteckningar, transkribera intervjusvar för forskning och få en läsbar version av ett röstmeddelande som inte kan spelas upp just nu.
Eftersom Whisper identifierar språket automatiskt fungerar samma sida för en tysk diktering, en spansk röstanteckning eller en engelsk föreläsning utan några inställningar. Transkriptionen översätts inte – den skrivs på språket som talades.
För ljud som redan finns som fil – poddar, föreläsningar och samtal – använder ljud-till-text- och MP3 till text konverterarna på den här webbplatsen samma teknik med samma alternativ.
Vad det här verktyget inte gör
Den översätter inte: transkriberingar är på det talade språket. Den skapar inga undertextstider – för SRT- eller VTT filer använder du undertextkonverterarna på denna webbplats. Den identifierar inte talare med namn, utan endast när talaren byts när talarigenkänning är aktiverad. Den kan inte heller återställa ord som inte hörs i inspelningen.
Egennamn, produktnamn och ovanliga förkortningar är de vanligaste felen; en snabb genomläsning av resultatet med detta i åtanke är vanligtvis all redigering som behövs för en tydlig inspelning.
FAQ
Vanliga frågor
Hur korrekt är transkriberingen?
Med en tydlig inspelning och en talare återger Whisper vanligtvis långt över 90 % av orden korrekt på de vanligaste språken, inklusive skiljetecken. Noggrannheten försämras vid kraftigt bakgrundsljud, flera personer som pratar i mun på varandra, mycket låg ljudnivå eller kraftig dialekt – inspelningstipsen nedan hjälper mer än någon inställning.
Vilka språk stöds?
Whisper känner igen omkring 100 språk och väljer språk automatiskt utifrån de första sekunderna av ljudet, så du behöver inte ställa in något. Inspelningar med blandade språk transkriberas på det dominerande språket. Transkriberingen skrivs på det språk som talas och översätts inte.
Laddas ljudet upp medan jag talar?
Nej. Inspelaren behåller ljudet i din webbläsare tills du trycker på knappen i dialogrutan. Om du avbryter eller stänger fliken har inget skickats. Uppladdade filer och transkriptioner raderas automatiskt efter bearbetningen.
Hur lång kan inspelningen vara?
Inspelningsfunktionen i webbläsaren avslutas efter 30 minuter; uppladdade filer kan vara längre. Bearbetningstiden ökar med ljudets längd, och talaridentifiering lägger till ungefär lika mycket tid igen.
Vad gör ”Identifiera flera talare”?
Verktyget kör ett steg för talardiarisering före transkriberingen och infogar en markering varje gång talaren byts. Använd det för intervjuer, möten och poddar; lämna det avstängt för diktering och röstanteckningar, där det bara ökar väntetiden.
Kan jag redigera texten efteråt?
Ja – resultatet är en vanlig .txt-fil. Öppna den i valfri textredigerare, rätta namn eller tekniska termer som modellen har uppfattat fel och klistra in den där du behöver den. Egennamn och ovanliga förkortningar är det som oftast behöver kontrolleras.