Sekretess först
Uppladdade filer raderas automatiskt och permanent inom två timmar.
Automatisk radering
Tal till text
Diktera en röstanteckning, en påminnelse, ett meddelande till en kollega eller ett kort memo direkt i webbläsaren, eller ladda upp en inspelning, och få orden som en vanlig textfil (.txt, UTF 8). Transkriberingen körs med Whisper, den öppna källkodsmodellen för taligenkänning, 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 ut 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 röst till text
Sidan kombinerar en inspelare i webbläsaren med en GPU baserad transkriberingstjänst. Inspelningen använder MediaRecorder-gränssnittet som är inbyggt i Chrome, Firefox, Edge och Safari; taligenkänningen utförs av Whisper, modellen med öppen källkod som publicerats av OpenAI, och körs på vår egen hårdvara 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 – röstanteckningar 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 transkriptionen
Förloppet visas medan modellen arbetar; några minuters tal tar vanligtvis betydligt mindre än en minut. Ladda ner en oformaterad textfil (.txt, UTF 8) från resultatsidan.
Nyckelfunktioner
Whisper-teknik i grunden
Whisper har tränats på 680 000 timmar av flerspråkigt ljud och hanterar accenter, bakgrundsljud och teknisk vokabulär betydligt bättre än dikteringsmotorerna från för några år sedan. Språket identifieras automatiskt.
Talardetektering på begäran
För konversationer markerar den valfria talaridentifieringen när talaren byts i transkriptionen. Den fördubblar ungefär bearbetningstiden, vilket är anledningen till att den är avstängd som standard.
Textutdata som passar ditt arbetsflöde
Transkriptionen 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, ingen gräns för 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
Så blir röst 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 steg, inklusive skiljetecken och meningsbrytningar. Om talardetektering är aktiverad delar en diariseringsmodell först upp ljudet efter talare, och transkriptionen kommenteras 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 alla inställningar
Taligenkänning är bara så bra som ljudet. Tre saker gör störst skillnad: avstånd, bakgrundsljud och överlappande tal. Håll mikrofonen 10–20 cm från munnen; en mobiltelefon som hålls nära är bättre än en bärbar dator på andra sidan bordet. Stäng av fläktar, stäng fönstret och undvik rum med mycket eko.
Tala i normal takt och avsluta meningarna – modellen använder sammanhanget, så halva meningar och utfyllnadsord ger sämre text än något långsammare, fullständigt tal. Vid intervjuer bör deltagarna inte tala i mun på varandra; överlappande tal är det svåraste fallet för alla taligenkänningssystem.
Lyssna på förhandsgranskningen innan du börjar. Om nivåmätaren knappt rör sig eller ständigt ligger på max, spela in igen i stället för att hoppas att transkriberingen blir rätt.
Vanliga användningsområden för tal till text
Det här verktyget används av personer som föredrar att prata framför att skriva, eller som behöver ett röstmeddelande utanför en chattapp: för att skriva ett e-postmeddelande eller en artikel 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 tysk diktering, en spansk röstanteckning eller en engelsk föreläsning utan några inställningar. Transkriptionen översätts inte – den skrivs på det språk som talades.
För ljud som redan finns som en 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: transkriptioner är på det talade språket. Den skapar inte undertextstider – använd undertextkonverterarna på denna webbplats för SRT- eller VTT filer. Den identifierar inte talare med namn, endast när talaren byts om talarigenkänning är aktiverad. Och den kan inte återställa ord som inte hörs i inspelningen.
Egennamn, produktnamn och ovanliga förkortningar är de vanligaste felen; en snabb genomläsning av resultatet med dessa i åtanke är vanligtvis all redigering som en tydlig inspelning behöver.
FAQ
Vanliga frågor
Hur exakt är transkriberingen?
Med en tydlig inspelning och en talare återger Whisper vanligtvis långt över 90 % av orden korrekt på de största språken, inklusive interpunktion. Noggrannheten försämras vid kraftigt bakgrundsljud, flera personer som pratar i mun på varandra, mycket svagt ljud eller stark dialekt – inspelningstipsen nedan hjälper mer än någon inställning.
Vilka språk stöds?
Whisper känner igen ungefär 100 språk och väljer språk automatiskt utifrån de första sekunderna av ljudet, så du behöver inte ställa in något. Inspelningar med flera 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 bearbetning.
Hur lång kan inspelningen vara?
Den webbläsarbaserade inspelaren stoppar efter 30 minuter; uppladdade filer kan vara längre. Bearbetningstiden ökar med ljudets längd, och talaridentifiering tar ungefär lika lång tid till.
Vad gör ”Identifiera flera talare”?
Den kör ett steg för talarseparation före transkriberingen och infogar en markering varje gång talaren byts. Använd det för intervjuer, möten och poddar; låt det vara avstängt för diktering och röstanteckningar, där det bara ökar väntetiden.
Kan jag redigera texten i efterhand?
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 texten där du behöver den. Egennamn och ovanliga förkortningar är det som oftast behöver kontrolleras.