วิธีแปลง MP3 เป็นข้อความ (ฟรี พร้อมป้ายผู้พูด)

ผู้เขียน: Hushscript | เผยแพร่: 20 เมษายน 2569 | ตรวจสอบล่าสุด: 22 กรกฎาคม 2569

การแปลง MP3 เป็นข้อความเป็นหนึ่งในงานถอดเสียงที่พบบ่อยที่สุด และขั้นตอนจะไม่เปลี่ยนแปลงไปตามแหล่งที่มา: ตอนของพอดแคสต์ บทสัมภาษณ์ที่บันทึกไว้ การบรรยาย หรือบันทึกเสียงจากโทรศัพท์ของคุณ ล้วนแต่ดำเนินไปในขั้นตอนเดียวกัน อัปโหลดไฟล์ รอการถอดเสียง ส่งออกในรูปแบบที่คุณต้องการ

สิ่งที่เปลี่ยนแปลงคือ MP3 ส่งผลต่อผลลัพธ์อย่างไร ไกด์ส่วนใหญ่จะข้ามไป MP3 เป็นไฟล์บีบอัดที่สูญหาย และบิตเรตที่บันทึกไว้นั้นกำหนดเพดานว่าโปรแกรมเสียงพูดต้องทำงานด้วยรายละเอียดมากน้อยเพียงใด คู่มือนี้ครอบคลุมสามขั้นตอน จากนั้นเจาะลึกลงไป: ตัวอย่างที่ใช้ได้ผลกับเอาต์พุตที่มีป้ายกำกับผู้พูดจริง บิตเรตมีความหมายอย่างไรต่อความแม่นยำ และวิธีแก้ไขการบันทึกที่ออกมาคร่าวๆ

สิ่งที่คุณต้องการ

• ไฟล์ MP3 บิตเรตใดๆ ก็ตามจะโหลดขึ้นมา เพื่อความแม่นยำ 64 kbps ถือเป็นระดับการใช้งานจริง และ 128 kbps ถือว่าเกินจุดที่ตัวเลขมีความสำคัญอย่างสบายๆ (อ่านเพิ่มเติมด้านล่าง)
• บัญชี Hushscript คุณจะได้รับสิทธิ์ทดลองใช้ฟรี 30 นาที วิธีที่เร็วที่สุดในการปลดล็อคคือการเพิ่มบัตร: การกันเงิน 1 ดอลลาร์จะเป็นการยืนยัน จากนั้นจะปล่อยทันทีและจะไม่มีการเรียกเก็บเงิน หากคุณไม่ต้องการใช้บัตร วิธีการชำระเงินอื่นก็ใช้ได้เช่นกัน และจะใช้เวลา 30 นาทีในการซื้อครั้งแรก ไม่จำเป็นต้องมีการ์ดแต่อย่างใด

ไม่ต้องติดตั้งอะไรเลย ไม่มีแอปเดสก์ท็อป ไม่มีส่วนขยายเบราว์เซอร์ ทุกอย่างทำงานในเบราว์เซอร์และบัญชี

นอกเหนือจากนาทีฟรีแล้ว การถอดเสียงยังจ่ายตามการใช้งานจริง: คุณจะซื้อนาทีเมื่อคุณต้องการเท่านั้น โดยไม่ต้องสมัครสมาชิก ค่าใช้จ่ายอยู่ที่หน้าราคา

แปลง MP3 เป็นข้อความในสามขั้นตอน

1. อัปโหลดไฟล์ของคุณ เปิด /audio-to-text จากนั้นลาก MP3 ไปยังโซนวางหรือคลิกเพื่อเรียกดู ยอมรับไฟล์ที่มีความยาวสูงสุด 10 ชั่วโมง โดยไม่จำกัดขนาดไฟล์ การแสดงตัวอย่าง 30 วินาทีแรกในเบราว์เซอร์ก่อนที่คุณจะลงชื่อเข้าใช้ เพื่อให้คุณสามารถดูรูปแบบที่มีป้ายกำกับผู้พูดได้ก่อนดำเนินการ
2. ปล่อยให้ถอดเสียง เมื่อคุณลงชื่อเข้าใช้และอัปโหลดไฟล์แล้ว โปรแกรมเสียงพูดจะประมวลผลและส่งกลับข้อความถอดเสียงที่มีผู้พูดแยกออกจากกันแล้ว เวลาในการประมวลผลจะแตกต่างกันไป และงานจะทำงานอยู่เบื้องหลัง ดังนั้นคุณจึงไม่จำเป็นต้องเปิดแท็บทิ้งไว้
3. ส่งออก ดาวน์โหลดผลลัพธ์ในรูปแบบใดก็ได้จาก 21 รูปแบบ ซึ่งครอบคลุมถึงรูปแบบ TXT ธรรมดา, SRT ที่ประทับเวลา, Word DOCX, PDF และรูปแบบคำบรรยายและไทม์ไลน์ของตัวแก้ไข รวมถึง .husharchive ที่ป้องกันด้วยรหัสผ่าน รวมทุกรูปแบบโดยไม่มีเพย์วอลล์ในการส่งออกและไม่มีลายน้ำใดๆ

ข้อความถอดเสียงที่เสร็จแล้วจะเปิดขึ้นในแดชบอร์ดของคุณ ผู้พูดจะปรากฏเป็น ผู้พูด A,ผู้พูด B และอื่นๆ และคุณสามารถคลิกป้ายกำกับใดก็ได้เพื่อเปลี่ยนชื่อเป็นชื่อจริง ซึ่งจะอัปเดตทุกบรรทัดที่ผู้พูดมี

ตัวอย่างข้างต้น: การสัมภาษณ์สองคน

สมมติว่าคุณมีfounder-interview.mp3: การบันทึกความยาว 42 นาที 128 kbps ผู้สัมภาษณ์หนึ่งคนและแขกรับเชิญหนึ่งคน บันทึกผ่านการโทร หลังจากที่คุณอัปโหลด ข้อความถอดเสียงจะกลับมาแบ่งกลุ่มตามผู้พูด โดยจะมีการประทับเวลาในแต่ละรายการ:

[00:00:04] ผู้พูด A: ขอขอบคุณที่สละเวลา มาเริ่มกันตั้งแต่ต้นเลย –
           จริงๆ แล้วแนวคิดนี้มาจากไหน
[00:00:11] ผู้พูด B: จริงๆ แล้ว มันมาจากปัญหาที่เราเจอกับตัวเอง เรา
           จมอยู่กับการโทรที่บันทึกไว้และไม่มีใครค้นหาได้
[00:00:23] ผู้พูด A: คุณสร้างสิ่งที่คุณต้องการขึ้นมาแล้ว
[00:00:25] ผู้พูด B: ค่อนข้างมาก เวอร์ชันแรกถูกยึดติดกันด้วยเทป

จากนั้นการตัดต่อก็ดูเรียบง่าย คุณเปลี่ยนชื่อ ผู้พูด A เป็นผู้สัมภาษณ์ และ ผู้พูด B เป็นแขกหนึ่งครั้ง และทุกบรรทัดจะอัปเดต คุณอ่านคำนามเฉพาะจำนวนหนึ่งที่ระบบเดาได้ เช่น ชื่อผลิตภัณฑ์หรือนามสกุลของบุคคล แล้วแก้ไขด้วยการค้นหาและแทนที่ ซึ่งจะแก้ไขทุกกรณีในการส่งครั้งเดียว สำหรับการสัมภาษณ์ที่สะอาดขนาด 128 kbps เช่นนี้ โดยทั่วไปแล้ว สกิมนั้นคือการทำความสะอาดทั้งหมดที่จำเป็นก่อนที่จะสามารถอ้างอิงข้อความถอดเสียงได้

นี่คือจุดที่การถอดเสียงที่ติดป้ายกำกับผู้พูดฟรีเข้ามาแทนที่ ผนังข้อความที่ไม่มีการแบ่งแยกจากการสัมภาษณ์แทบจะไร้ประโยชน์จนกว่าคุณจะย้อนกลับไปและทำเครื่องหมายว่าใครพูดอะไร การถอดเสียงที่มาถึงแล้วแบ่งเป็นเทิร์นคือสิ่งที่คุณสามารถอ้างอิงได้ทันที

บิตเรตหมายถึงอะไรสำหรับความแม่นยำ

MP3 เป็นรูปแบบที่สูญเสียไป: การเข้ารหัสจะกำจัดส่วนของเสียงที่ถือว่าได้ยินน้อยที่สุดเพื่อให้ไฟล์มีขนาดเล็ก บิตเรต คือจำนวนกิโลบิตต่อวินาทีที่ตัวเข้ารหัสใช้ในการทำเช่นนั้น ยิ่งต่ำก็ยิ่งทิ้งมากขึ้น การอ้างอิงตัวแปลงสัญญาณ MP3 ในปัจจุบันของ MDN จะบันทึกบิตเรตและอัตราตัวอย่างที่สนับสนุนของรูปแบบ และระบุว่าการบีบอัดเป็นแบบสูญเสีย

การรู้จำเสียงอาศัยรายละเอียดความถี่สูงในพยัญชนะอย่างมาก ความแตกต่างระหว่าง “สิบห้า” และ “สิบหก” หรือ “สามารถ” และ “ทำไม่ได้” อยู่ที่นั่น การบีบอัดข้อมูลเชิงรุกเป็นจุดที่รายละเอียดนั้นมาก่อน ดังนั้นบิตเรตจึงไม่ลดระดับการถอดเสียงอย่างเท่าเทียมกัน มันจะกินคำที่ได้ยินยากที่สุดบริเวณขอบคำพูด

ในทางปฏิบัติ:

• 32 kbps และต่ำกว่า: ถูกบีบอัดอย่างเห็นได้ชัดแม้กระทั่งกับหูของมนุษย์ และระบบก็ตอบสนองในลักษณะเดียวกัน ข้อผิดพลาดของคำเพิ่มขึ้น หลีกเลี่ยงสิ่งนี้สำหรับสิ่งที่คุณสนใจเกี่ยวกับการถอดเสียง
• 64 kbps: พื้นที่สมจริงสำหรับการแปลงคำพูดเป็นข้อความที่เชื่อถือได้ เหมาะสำหรับเสียงไมโครโฟนที่คมชัด
• 128 kbps ขึ้นไป: สะดวกสบายเพียงพอสำหรับการถอดเสียง การก้าวให้สูงขึ้นจะไม่ช่วยให้การถอดเสียงดีขึ้น เอ็นจิ้นมีรายละเอียดทั้งหมดที่สามารถใช้งานได้ดีก่อนหน้านั้น

คำอธิบายสองสามข้อที่ช่วยลดการเข้ารหัสซ้ำโดยไม่จำเป็น บิตเรตแปรผัน (VBR) ใช้ได้ ไม่มีการปรับความถูกต้องของ ** บิตเรตคงที่ (CBR)** สำหรับคำพูด ดังนั้นอย่าแปลงไฟล์ VBR เพียงเพื่อ “แก้ไข” และ ** โมโนก็ใช้งานได้เช่นเดียวกับสเตอริโอ** สำหรับการถอดเสียง เนื่องจากเสียงไม่จำเป็นต้องมีสองช่อง หากมีสิ่งใด โปรดดูหมายเหตุเกี่ยวกับสเตอริโอ double-enders ด้านล่าง

MP3 vs lossless: เมื่อใดที่ควรบันทึกใหม่แทน

คำถามทั่วไปคือการแปลง MP3 ของคุณเป็นรูปแบบ Lossless เช่น WAV ก่อนจะช่วยได้หรือไม่ มันจะไม่ เมื่อบันทึกเสียงเป็น MP3 128 kbps รายละเอียดที่ขาดหายไปก็จะหายไป การรวมเสียงเดียวกันนั้นไว้ในคอนเทนเนอร์ WAV จะทำให้ไฟล์มีขนาดใหญ่ขึ้นโดยไม่มีข้อมูลเพิ่มเติม หากคุณบันทึกไฟล์ใหม่และมีทางเลือก แหล่งที่มาที่ไม่มีการสูญเสียหรือมีบิตเรตสูงเป็นจุดเริ่มต้นที่ดีกว่า (ดูคำแนะนำ WAV-to-text สำหรับกรณีนั้น) แต่การแปลง MP3 ที่มีอยู่ขึ้นไปจะไม่ช่วยอะไรเลย

กฎการตัดสินใจที่ตรงไปตรงมา: หากสำเนาเดียวของคุณเป็น MP3 ที่มีบิตเรตที่สมเหตุสมผล ให้ถอดเสียงตามที่เป็นอยู่ หากการบันทึกแย่มาก (ถูกตัด มีเสียงรบกวน หรือบันทึกที่ 32 kbps) และคุณสามารถบันทึกได้อีกครั้ง การบันทึกซ้ำจะช่วยได้มากกว่าการแปลงใดๆ เมื่อคุณบันทึกเสียงใหม่ นิสัยสองประการมีความสำคัญมากกว่าบิตเรต: วางไมโครโฟนไว้ใกล้กับใครก็ตามที่กำลังพูด และให้ไมโครโฟนของแต่ละคนถ้าทำได้ เนื่องจากการแยกเสียงที่ต้นทางอย่างชัดเจนคือสิ่งที่ทำให้ทั้งคำพูดและป้ายกำกับของผู้พูดออกมาถูกต้อง

การแก้ไขปัญหาทั่วไป

การถอดเสียงแบบหยาบส่วนใหญ่จะย้อนกลับไปที่การบันทึก ไม่ใช่เครื่องมือ ต่อไปนี้คือสิ่งที่ต้องทำกับผู้กระทำผิดตามปกติ

ระดับเสียงต่ำ หากรูปคลื่นดูราบเรียบ (การบันทึกที่เงียบมาก) แสดงว่าระบบมีสัญญาณให้ทำงานน้อยลงและความแม่นยำคลาดเคลื่อน ทำให้เป็นมาตรฐานหรือขยายเสียงในโปรแกรมแก้ไขเสียงใดๆ ก่อน จากนั้นจึงอัปโหลดเวอร์ชันที่ดังกว่า ระดับการเพิ่มเป็นหนึ่งในการแก้ไขที่ให้ผลตอบแทนสูงสุดสำหรับการบันทึกที่อ่อนแอ

เสียงรบกวนพื้นหลัง เสียงรบกวนคงที่ (เครื่องปรับอากาศ เสียงฮัมบนถนน) ได้รับการจัดการอย่างดีพอสมควร เสียงรบกวนกะทันหันที่ทับคำพูด เช่น ประตู ไอ หรือมีด เป็นสาเหตุที่ทำให้คำพูดหลุด หากคุณสามารถเรียกใช้ผ่านการลดสัญญาณรบกวนเล็กน้อยก่อนที่จะอัปโหลด ให้ดำเนินการ แต่อย่าประมวลผลมากเกินไป: การลดสัญญาณรบกวนจำนวนมากจะทำให้เกิดสิ่งผิดปกติที่ทำร้ายความแม่นยำมากกว่าสัญญาณรบกวน

สำเนียงหนักๆ หรือคำศัพท์เฉพาะทาง เครื่องมือสมัยใหม่รองรับสำเนียงภาษาอังกฤษที่หลากหลายได้ดี การพลาดที่เชื่อถือได้คือชื่อโดเมนที่กลไกไม่มีเหตุผลที่จะคาดหวัง เช่น ชื่อยา การอ้างอิงทางกฎหมาย หรือชื่อแบรนด์เฉพาะ วางแผนบนสกิมเดียวหลังจากส่งออกเพื่อจับสิ่งเหล่านี้ และอาศัยการค้นหาและแทนที่: หากชื่อบริษัทผิดพลาดในลักษณะเดียวกันทุกครั้ง การแก้ไขเพียงครั้งเดียวจะกวาดทั้งไฟล์

MP3 ที่ยาวมาก การบันทึกความยาว 6 ชั่วโมงไม่ใช่ปัญหาในตัวเอง เพดานความยาว 10 ชั่วโมงครอบคลุมเกือบทุกอย่าง และไม่มีการจำกัดขนาดไฟล์ที่ด้านบน ดังนั้นจึงไม่จำเป็นต้องสับไฟล์ยาวๆ เป็นชิ้นๆ ก่อน สิ่งที่ทำให้ไฟล์ขนาดยาวลดลงจริงๆ ก็คือคุณภาพการบันทึกที่ลอยอยู่ เช่น ผู้พูดที่เดินออกห่างจากไมค์ ระดับที่ลดลงหลังจากชั่วโมงแรก สถานที่จัดงานที่เต็มและมีเสียงดังมากขึ้น หากทำได้ ให้รักษาแหล่งที่มาให้คงที่ ในกรณีที่คุณไม่สามารถทำได้ คาดว่าส่วนที่หยาบกว่านั้นจะต้องมีการแก้ไขมากกว่าส่วนที่สะอาด การประทับเวลาช่วยให้จัดการได้ง่าย: คุณสามารถข้ามไปยังแพตช์ที่อ่านได้ไม่ดีโดยตรงแทนที่จะฟังซ้ำทั้งหมด

ผู้พูดที่ซ้อนทับกัน เมื่อคนสองคนพูดพร้อมกัน ระบบจะกำหนดคำให้กับเสียงที่ดังกว่า ซึ่งเป็นข้อจำกัดของการแยกผู้พูดโดยทั่วไป ไม่ใช่เครื่องมือใดเครื่องมือหนึ่ง ไม่มีการแก้ไขด้านการอัปโหลด เวลาในการแก้ไขงบประมาณสำหรับส่วนการพูดคุยข้ามกลุ่มของการบันทึกกลุ่มที่มีชีวิตชีวา

การแยกผู้พูดให้แยกออกจากกันอย่างเรียบร้อย

การแยกผู้พูด (การแยกเสียง) จะทำงานในทุกบทถอดเสียงโดยไม่มีค่าใช้จ่ายเพิ่มเติม และบางสิ่งในระดับ MP3 จะส่งผลต่อความสะอาดของเสียง หากคุณต้องการรายละเอียดเกี่ยวกับวิธีการทำงานโดยละเอียด โปรดดูที่ การแยกเสียงของผู้พูดคืออะไร; ประเด็นที่เป็นประโยชน์ที่นี่:

• สเตอริโอ double-enders การตั้งค่าพอดแคสต์และการโทรบางรายการจะบันทึกผู้พูดแต่ละตัวในช่องสเตอริโอแยกกัน ในทางตรงข้าม การผสมสิ่งนั้นลงในแทร็กโมโนเดี่ยวก่อนที่จะอัปโหลดมีแนวโน้มที่จะช่วยได้: กลไกจะได้ยินการสนทนาที่ผสมผสานกันเพียงครั้งเดียว แทนที่จะได้ยินสตรีมที่แยกจากกันสองสตรีม ผู้แก้ไขส่วนใหญ่ส่งออก “มิกซ์ดาวน์” แบบโมโน
• กลับไปกลับมาอย่างรวดเร็ว การแลกเปลี่ยนที่สั้นมาก (ผลัดกันไม่ถึงสองวินาที) บางครั้งอาจรวมเป็นคำพูดที่มีป้ายกำกับเดียวในบางครั้ง ไม่ค่อยกระทบต่อความสามารถในการอ่าน และคุณสามารถแยกการเลี้ยวด้วยมือได้หากต้องการ
• การเลี้ยวที่สะอาดช่วยได้มากที่สุด ยิ่งการส่งต่อระหว่างผู้พูดสะอาดขึ้น (การขัดจังหวะน้อยลง สัญญาณข้ามน้อยลง) ป้ายกำกับก็จะยิ่งเชื่อถือได้มากขึ้นเท่านั้น ไม่มีอะไรต้องกำหนดค่า มันเป็นคุณสมบัติของการบันทึกเท่านั้น

การส่งออกการถอดเสียงของคุณ

รูปแบบที่ถูกต้องขึ้นอยู่กับสิ่งที่คุณกำลังทำกับข้อความ ตารางด้านล่างแสดงรายการรูปแบบที่ผู้คนเข้าถึงได้มากที่สุดจาก 21 รูปแบบที่นำเสนอ เพื่อการแลกเปลี่ยนอย่างเต็มรูปแบบ โปรดดูรูปแบบการถอดเสียงที่คุณต้องการจริงๆ:

การส่งออกทุกครั้งจะมีป้ายกำกับและการประทับเวลาของผู้พูด โดยไม่มีลายน้ำใดๆ

การประทับเวลาและการแก้ไข

ตัวแก้ไขจะแสดงคำพูดแต่ละรายการพร้อมเวลาเริ่มต้น ป้ายกำกับผู้พูด และข้อความ คลิกบรรทัดใดก็ได้เพื่อเล่นส่วนของเสียงนั้นกับข้อความ ซึ่งมีประโยชน์สำหรับการตรวจสอบข้อความที่ยุ่งยากโดยไม่ต้องขัดทั้งไฟล์ด้วยมือ

การประทับเวลาในการส่งออก SRT จะอยู่ที่ระดับคำพูด: หนึ่งรายการต่อผู้พูด ไม่ใช่ต่อคำ สำหรับคำบรรยาย การนำทาง และการอ้างอิงพร้อมการประทับเวลา นั่นเป็นรายละเอียดที่ถูกต้อง หากคุณต้องการโครงสร้างระดับคำเพื่อประมวลผลในโค้ด ให้ส่งออก JSON: แต่ละรายการจะมีป้ายกำกับผู้พูด เวลาเริ่มต้นและสิ้นสุดเป็นมิลลิวินาที และข้อความสำหรับเทิร์นนั้น

อัปโหลด ถอดเสียง ส่งออก นั่นคืองานทั้งหมด พร้อมด้วยรายละเอียดเฉพาะ MP3 ที่จะตัดสินว่าผลลัพธ์จะสะอาดแค่ไหน หน้า MP3-to-text มีภาพรวมคุณลักษณะทั้งหมด และหากคุณทำงานกับการบันทึกในคอนเทนเนอร์อื่น หน้าเสียงเป็นข้อความ จะครอบคลุมทุกรูปแบบในลักษณะเดียวกัน ทำการแสดงทั้งหมดเหรอ? คู่มือการถอดเสียงพอดแคสต์ อธิบายขั้นตอนการเปลี่ยนการถอดเสียงเป็นบันทึกรายการ และหากไฟล์ของคุณเป็น WAV แทนที่จะเป็น MP3 คำแนะนำ WAV-to-text จะมีหมายเหตุเกี่ยวกับการจัดการไฟล์ขนาดใหญ่ที่ไม่มีการสูญเสีย