MP3 轉文字

是的，我們有使用 「說話者分群（Speaker Diarization）」。在音訊產業中，Diarization 是指把音訊串切分成各個說話者的片段──簡單來說，就是判斷誰在何時發言。

如何使用：

在上傳 MP3 前，請在設定中勾選 「區分不同說話者」 的選項。

注意：這需要 AI 做第二次處理以分析聲音模式，所以處理時間會比一般轉錄稍長一些。

我們採用 Whisper3 架構。這是一個開源的「神經網路」，以超過 50 萬小時的多語資料訓練而成。我們在高速的 NVIDIA GPU 上處理每一個檔案，確保你能以期望的速度獲得這個 AI 的完整運算能力。

為什麼這很重要：不像早期那些僅根據線性機率猜詞的工具，Whisper 能理解語境，因此在處理口音、專業術語和背景噪音時表現更佳。

想要準確度接近完美，請注意以下三個要點：

• 高位元率：請使用 192 kbps 或更高 的 MP3 檔。較低的位元率會產生「數位雜訊」，讓 AI 難以辨識。
• 不要有背景音樂：這是造成錯誤的首要原因。AI 會試著把它聽到的一切都轉寫出來，包括歌詞或樂器聲。
• 麥克風靠近講話者：確保錄音是在安靜的環境下，且麥克風靠近講話者。

這就是所謂的 「AI 幻覺」。有時候如果檔案裡有長時間的靜音或非語音噪音（像是大口喘氣或風聲），AI 會試著找出其實不存在的模式，然後「憑空」產生詞語來填補空缺。

解決方法：在上傳前把音檔中的長段靜音剪掉。這能避免 AI 去猜測，並大幅改善最終輸出品質。

這很可能是由於"Cold Start"錯誤，與語言推斷有關。

問題：

我們的 AI 會掃描前 30 秒來偵測說話的語言。如果你的檔案一開始就是長時間的靜音、雜訊或片頭音樂，AI 就沒有足夠的語言資料可分析，可能會預設成某個隨機語言（通常是英文，有時甚至會跑出莫名的符號）。

解決方法：

把開頭的靜音剪掉，讓音檔一開始就直接從說話開始，然後再重新上傳。

是的。 如果您想立即將音訊直接轉錄為 Microsoft Word 檔案 (.docx)，我們為此提供了專用工具。

→ 下一步： 使用我們的 MP3 轉 DOCX 轉換器。