Convertire un MP3 in testo con etichette dei parlanti

Autore: Hushscript | Pubblicato: 20 aprile 2026 | Ultima revisione: 22 luglio 2026

Convertire un MP3 in testo è uno dei lavori di trascrizione più comuni che esista e i passaggi non cambiano con la fonte: un episodio di podcast, un’intervista registrata, una conferenza o un memo vocale dal telefono seguono tutti lo stesso flusso. Carica il file, attendi la trascrizione, esportalo nel formato che ti serve.

Ciò che cambia è il modo in cui l’MP3 stesso influisce sul risultato. La maggior parte delle guide lo salta. Un MP3 è un file compresso con perdita di dati e il bitrate a cui è stato salvato stabilisce un limite alla quantità di dettagli con cui il motore vocale deve lavorare. Questa guida copre i tre passaggi, poi va più in profondità: un esempio pratico con un output reale etichettato dal parlante, cosa significa effettivamente il bitrate per la precisione e come correggere le registrazioni che risultano approssimative.

Cosa ti serve

• Un file MP3. Verrà caricato qualsiasi bitrate. Per precisione, 64 kbps è il livello minimo pratico e 128 kbps è comodamente oltre il punto in cui il numero conta (ne parleremo più avanti).
• Un account Hushscript. Hai 30 minuti gratuiti per provare. Il modo più rapido per sbloccarli è aggiungere una carta: una trattenuta di $ 1 la convalida, poi si sblocca immediatamente e non viene mai addebitata. Se preferisci non utilizzare una carta, funziona anche un metodo di pagamento alternativo e i 30 minuti arrivano con il tuo primo acquisto. In ogni caso non è necessaria una carta.

Non c’è niente da installare; nessuna app desktop, nessuna estensione del browser. Tutto funziona nel browser e nell’account.

Oltre ai minuti gratuiti, la trascrizione è a consumo: acquisti minuti solo quando ne hai bisogno, senza abbonamento. I costi sono nella pagina dei prezzi.

Converti un MP3 in testo in tre passaggi

1. Carica il tuo file. Apri /audio-to-text, quindi trascina l’MP3 nella zona di rilascio o fai clic per sfogliare. Sono accettati file della durata massima di 10 ore, senza limiti di dimensione. I primi 30 secondi di anteprima direttamente nel browser prima dell’accesso, così puoi vedere lo stile con l’etichetta dell’oratore prima di impegnarti.
2. Lascialo trascrivere. Una volta effettuato l’accesso e caricato il file, il motore vocale lo elabora e restituisce una trascrizione con gli oratori già separati. Il tempo di elaborazione varia e il lavoro viene eseguito in background, quindi non è necessario tenere la scheda aperta.
3. Esporta. Scarica il risultato in uno qualsiasi dei 21 formati. Ciò copre il semplice TXT, SRT con timestamp, Word DOCX, PDF e i formati di sottotitoli e timeline dell’editor, oltre a un file .husharchive protetto da password. Ogni formato è incluso, senza paywall sulle esportazioni e senza filigrana su nessuno di essi.

La trascrizione completata si apre nella tua dashboard. Gli oratori appaiono come Parlante A,Parlante B e così via, e puoi fare clic su qualsiasi etichetta per rinominarla con un nome reale, che aggiorna ogni riga di quell’oratore.

Un esempio pratico: un’intervista a due persone

Supponiamo di avere founder-interview.mp3: a Registrazione di 42 minuti, 128 kbps, un intervistatore e un ospite, registrati durante una chiamata. Dopo averla caricata, la trascrizione ritorna segmentata per turno del relatore, con un timestamp su ciascuno:

[00:00:04] Parlante A: Grazie per il tempo dedicato. Cominciamo dall'inizio:
           da dove è nata l'idea?
[00:00:11] Parlante B: Onestamente, è nata da un problema che abbiamo avuto noi stessi. Eravamo
           affogati in chiamate registrate e nessuna era ricercabile.
[00:00:23] Parlante A: Quindi hai costruito ciò di cui avevi bisogno.
[00:00:25] Parlante B: Più o meno. La prima versione è stata tenuta insieme con nastro adesivo.

Da lì il montaggio è leggero. Rinomini Parlante A per l’intervistatore e Parlante B per l’ospite una volta, e ogni riga si aggiorna. Cerchi la manciata di nomi propri che il motore ha indovinato, come il nome di un prodotto o il cognome di una persona, e li correggi con trova e sostituisci, che corregge ogni istanza in un solo passaggio. Per un’intervista pulita a 128 kbps come questa, quella scrematura è solitamente tutta la pulizia necessaria prima che la trascrizione possa essere citata.

È qui che la trascrizione che etichetta i relatori gratuitamente guadagna il suo posto. Un muro di testo indiviso di un’intervista è quasi inutile finché non sei tornato indietro e hai segnato chi ha detto cosa; una trascrizione che arriva già divisa in turni è qualcosa da cui puoi citare subito.

Cosa significa bitrate per la precisione

MP3 è un formato con perdita di dati: la codifica elimina parti dell’audio giudicate meno udibili per mantenere il file piccolo. Il Bitrate è il numero di kilobit al secondo che il codificatore impiega per farlo. Più è basso, più scarta. L’attuale riferimento al codec MP3 di MDN documenta i bitrate e le frequenze di campionamento supportati dal formato e identifica la sua compressione come con perdita di dati.

Il riconoscimento vocale si basa fortemente sui dettagli ad alta frequenza delle consonanti. La differenza tra “quindici” e “sedici”, o “può” e “non può”, risiede lì. La compressione aggressiva è esattamente il punto in cui questo dettaglio va per primo. Quindi il bitrate non degrada una trascrizione in modo uniforme; mangia le parole più difficili da sentire ai margini del discorso.

In pratica:

• 32 kbps e inferiori: notevolmente compresso anche per l’orecchio umano e il motore reagisce allo stesso modo. Gli errori di parole aumentano. Evitalo per tutto ciò che ti interessa trascrivere.
• 64 kbps: il livello realistico per una conversione vocale in testo affidabile. Va bene per una voce chiara e con microfono ravvicinato.
• 128 kbps e oltre: abbastanza confortevole per la trascrizione. Andare più in alto non migliorerà la trascrizione. Il motore ha tutti i dettagli che può utilizzare molto prima di allora.

Un paio di chiarimenti che evitano inutili ricodifica. Bitrate variabile (VBR) va bene; non ha penalità di precisione rispetto al ** bitrate costante (CBR)** per il parlato, quindi non convertire un file VBR solo per “aggiustarlo”. E ** il mono funziona altrettanto bene che lo stereo** per la trascrizione, poiché la voce non ha bisogno di due canali. Se non altro, vedi la nota sui double-ender stereo di seguito.

MP3 vs lossless: quando invece registrare nuovamente

Una domanda naturale è se convertire prima il tuo MP3 in un formato lossless come WAV sarebbe d’aiuto. Non lo farà. Una volta salvato l’audio come MP3 a 128 kbps, i dettagli mancanti scompaiono; racchiudere lo stesso audio in un contenitore WAV crea semplicemente un file più grande che non contiene informazioni aggiuntive. Se stai registrando da poco e hai la possibilità di scegliere, una sorgente senza perdita di dati o con un bitrate elevato è il punto di partenza migliore (consulta la guida WAV-to-text per questo caso), ma convertire un MP3 esistente verso l’alto non costa nulla.

La regola della decisione onesta: se la tua unica copia è un MP3 con un bitrate ragionevole, trascrivilo così com’è. Se la registrazione è davvero pessima (tagliata, sepolta nel rumore o salvata a 32 kbps) e puoi catturarla di nuovo, riregistrarla ti aiuterà molto più di qualsiasi conversione. Quando registri di recente, due abitudini contano più del bitrate: avvicina il microfono a chi sta parlando e, se puoi, dai a ogni persona il proprio microfono, poiché la separazione netta alla fonte è ciò che fa sì che sia le parole che le etichette dei parlanti risultino corrette.

Risoluzione dei problemi comuni

La maggior parte delle trascrizioni approssimative risalgono alla registrazione, non allo strumento. Ecco cosa fare con i soliti colpevoli.

Volume basso. Se la forma d’onda appare piatta (una registrazione molto silenziosa), il motore ha meno segnale con cui lavorare e la precisione diminuisce. Normalizza o amplifica prima l’audio in qualsiasi editor audio, quindi carica la versione più potente. Il livello di potenziamento è una delle soluzioni con il rendimento più alto per una registrazione debole.

Rumore di fondo. Il rumore costante (un condizionatore d’aria, ronzio della strada) è gestito abbastanza bene; il rumore improvviso che si sovrappone al discorso, come una porta, un colpo di tosse o una posata, è ciò che provoca la caduta delle parole. Se puoi eseguire un leggero passaggio di riduzione del rumore prima del caricamento, fallo, ma senza esagerare: una riduzione del rumore pesante introduce artefatti che compromettono la precisione più del rumore.

Accenti pesanti o vocabolario specialistico. I motori moderni gestiscono bene un’ampia gamma di accenti inglesi. Gli errori attendibili sono termini di dominio che il motore non ha motivo di aspettarsi, come nomi di farmaci, citazioni legali o nomi di marchi di nicchia. Pianifica una rapida occhiata dopo l’esportazione per individuarli e affidati alla ricerca e sostituzione: se il nome di un’azienda risulta sbagliato ogni volta allo stesso modo, una correzione spazza via l’intero file.

MP3 molto lunghi. Una registrazione di 6 ore non è un problema di per sé. Il limite di 10 ore copre quasi tutto e non vi è alcun limite alla dimensione del file, quindi non è necessario prima tagliare in pezzi un file lungo. Ciò che in realtà degrada un file lungo è lo spostamento della qualità della registrazione su di esso: un parlante che si allontana dal microfono, un livello che abbassa dopo la prima ora, un luogo che si riempie e diventa più rumoroso. Dove puoi, mantieni ferma la fonte; dove non puoi, aspettati che i tratti più ruvidi necessitino di più modifiche rispetto a quelli puliti. I timestamp lo rendono facile da gestire: puoi passare direttamente alla patch che si legge male invece di riascoltare il tutto.

parlanti sovrapposti. Quando due persone parlano contemporaneamente, il motore assegna le parole alla voce più forte, una limitazione della separazione dei parlanti in generale, non di uno strumento qualsiasi. Non esiste alcuna correzione sul lato caricamento; budget per la modifica del tempo per le sezioni di dialogo incrociato di una vivace registrazione di gruppo.

Mantenere i parlanti ben separati

La separazione dei parlanti (diarizzazione) viene eseguita su ogni trascrizione senza costi aggiuntivi e alcune cose a livello MP3 influiscono sulla pulizia del risultato. Se desideri i dettagli su come funziona dietro le quinte, vedi cos’è la diarizzazione dei parlanti; i punti pratici qui:

• Double-ender stereo. Alcune configurazioni di podcast e chiamate registrano ciascun parlante su un canale stereo separato. Controintuitivamente, mixarlo su una singola traccia mono prima del caricamento tende ad aiutare: il motore ascolta una conversazione mista anziché due flussi isolati. La maggior parte degli editori esporta un “mixdown” mono.
• Rapido avanti e indietro. Scambi molto brevi (turni inferiori ai due secondi) possono occasionalmente fondersi in un’unica espressione etichettata. Raramente compromette la leggibilità e puoi dividere un turno a mano se una citazione specifica lo richiede.
• Le svolte pulite aiutano di più. Più puliti sono i passaggi tra gli interlocutori (meno interruzioni, meno diafonia), più affidabili saranno le etichette. Non c’è niente da configurare; è puramente una proprietà della registrazione.

Esportazione della trascrizione

Il formato giusto dipende da cosa stai facendo con il testo. La tabella seguente elenca quelli più raggiunti dalle persone, tra i 21 formati offerti; per i compromessi completi, vedi quale formato di trascrizione hai effettivamente bisogno:

Ogni esportazione include le etichette e i timestamp degli oratori, senza filigrana su nessuno di essi.

Timestamp e modifica

L’editor mostra ogni espressione con l’ora di inizio, l’etichetta dell’oratore e il testo. Fare clic su qualsiasi riga per riprodurre quel segmento dell’audio rispetto al testo. È utile per controllare un passaggio complicato senza cancellare manualmente l’intero file.

I timestamp nell’esportazione SRT si trovano a livello di enunciazione: una voce per turno di parlante, non per parola. Per sottotitoli, navigazione e citazioni con timestamp, questa è la giusta granularità. Se hai bisogno che la struttura a livello di parola venga elaborata nel codice, esporta JSON: ogni voce ti fornisce l’etichetta dell’oratore, l’ora di inizio e fine in millisecondi e il testo per quel turno.

Carica, trascrivi, esporta: questo è l’intero lavoro, con i dettagli specifici dell’MP3 che decidono quanto è pulito il risultato. La pagina da MP3 a testo offre una panoramica completa delle funzionalità e, se stai lavorando con una registrazione in un altro contenitore, la pagina da audio a testo copre tutti i formati allo stesso modo. Fare un intero spettacolo? La guida alla trascrizione del podcast illustra come trasformare la trascrizione in note dell’episodio e, se il tuo file è un WAV anziché un MP3, la guida alla conversione da WAV a testo contiene note sulla gestione di file senza perdita di dati di grandi dimensioni.