Darmowa transkrypcja audio
na tekst z AI – bez limitów

Tak, jest całkowicie darmowe. Nie ma limitów długości nagrań, liczby użyć, liczby znaków ani rozmiaru pliku, a karta kredytowa nie jest potrzebna. Od pamięci urządzenia i wybranego modelu zależy jedynie długość nagrania, które można przetworzyć za jednym razem; jeśli plik się nie zmieści, strona poinformuje o tym przed rozpoczęciem przetwarzania.

Nie. AI (Whisper lub SenseVoice) działa w Twojej przeglądarce, więc nagranie nigdy nie opuszcza Twojego urządzenia. Nic nie jest zapisywane na serwerze ani przekazywane osobom trzecim.

Nie. Otwórz stronę, wybierz plik audio, a transkrypcja się rozpocznie. Nigdy nie prosimy o adres e-mail.

Audio: MP3, WAV, M4A, AAC, FLAC, OGG, Opus, AIFF, WMA i AMR. Wideo: MP4, MOV, MKV, WebM, AVI, WMV, FLV, MPG, MPEG-TS i 3GP. Plik możesz przeciągnąć i upuścić albo wybrać w oknie wyboru plików.

Tak. Wczytaj plik MP4, MOV, MKV, WebM lub AVI, a przeglądarka wyodrębni z niego ścieżkę audio do transkrypcji. Nie trzeba go wcześniej konwertować na plik audio. Po transkrypcji możesz odtworzyć wideo z wynikiem nałożonym jako napisy, aby go sprawdzić i poprawić, albo obejrzeć je z przetłumaczonymi napisami. Rozmiar pliku nie jest ograniczony, więc filmy o rozmiarze kilku gigabajtów wczytują się bez zmian. Filmy zapisane z X (Twittera) za pomocą X Video Downloader można wczytać bezpośrednio; aby najpierw wyodrębnić sam dźwięk, użyj Media Tools.

Tak, obsługiwane jest rozpoznawanie mówców. W nagraniach z kilkoma uczestnikami, np. ze spotkań czy wywiadów, każdy mówca jest wyświetlany innym kolorem. Liczba mówców jest ustalana automatycznie, więc zwykle nie trzeba jej podawać. Nazwy mówców można zmieniać na ekranie, mówców omyłkowo rozdzielonych można scalić, a każdy wiersz można przypisać innemu mówcy lub podzielić. Gdy w przeglądarce innej niż Firefox na komputerze dostępne jest WebGPU, a liczba mówców jest ustawiona na „Auto”, rozpoznawanie mówców korzysta z NVIDIA Nemotron 3 Diarization; w pozostałych przypadkach z pyannote. W obu przypadkach do porównywania cech głosu używany jest WeSpeaker.

Tak – transkrypcję można wyeksportować jako napisy SRT i VTT (WebVTT) z kodami czasowymi, gotowe do wczytania w edytorach wideo lub na platformach wideo (większość edytorów wideo przyjmuje SRT). Dostępny jest też eksport do zwykłego tekstu (TXT), Word (DOCX), PDF, CSV i JSON oraz kopiowanie do schowka. Aby wypalić wyeksportowane napisy SRT bezpośrednio w wideo, użyj Media Tools (wypalanie napisów).

Tak. Kliknij „Tłumaczenie” w nagłówku wyniku, wybierz język źródłowy i docelowy, a pod każdym wierszem pojawi się tłumaczenie. Każdy format eksportu może zawierać oryginał, tłumaczenie lub oba. Jeśli wczytano wideo, tłumaczenie można też wyświetlać jako napisy podczas odtwarzania. Tłumaczenie korzysta z tłumacza wbudowanego w Chrome 138+ i Edge 148+ na komputerze i odbywa się w całości na Twoim urządzeniu, więc transkrypcja nigdy nie jest nigdzie wysyłana. Nie jest dostępne na smartfonach ani w Firefoksie i Safari. Przy pierwszym użyciu danego języka pobierany jest jego model tłumaczenia.

Tak. Po jednorazowym pobraniu modelu AI transkrypcja działa bez połączenia z siecią. Rozmiar modeli wynosi od ok. 40 MB do 5,2 GB, zależnie od wybranego.

Wybór modelu dopasowanego do języka poprawia dokładność. Dla japońskiego najdokładniejszy z dostępnych modeli jest Haas-ja v1.0 – popełnia o około 40% mniej błędów niż SenseVoice Small (nasz pomiar na mowie czytanej). Działa tylko na komputerach z WebGPU, za pierwszym razem pobiera ok. 710 MB, a przetwarzanie trwa około 1/30 długości nagrania (pomiar na komputerze z grafiką zintegrowaną). Jest domyślny dla japońskiego na komputerach z WebGPU w Chrome lub Edge (z wyjątkiem komputerów Mac z Apple silicon). Dla chińskiego i koreańskiego, a także dla japońskiego w innych środowiskach, np. na telefonach lub w Safari i Firefoksie, domyślny SenseVoice Small jest lekki i szybki, a w japońskim i chińskim co najmniej tak dokładny jak Whisper Large v3 Turbo. Dla pozostałych języków większe modele są dokładniejsze; na urządzeniach z obsługą WebGPU Whisper Large v3 Turbo zapewnia dokładność bliską najlepszej przy zachowaniu szybkości i jest polecanym wyborem (jest domyślny na komputerach z dedykowanym GPU). Dla 25 języków europejskich (m.in. angielskiego, hiszpańskiego, niemieckiego i francuskiego) możesz też wybrać Parakeet Ultra. Jest mniej więcej tak dokładny jak Whisper Large v3 Turbo i potrzebuje około 1/7 czasu przetwarzania modelu Turbo (tylko komputery z WebGPU; za pierwszym razem ok. 500 MB do pobrania). Jest domyślny dla hiszpańskiego, niemieckiego, francuskiego, włoskiego, portugalskiego, rosyjskiego, polskiego i niderlandzkiego na komputerach z grafiką zintegrowaną w Chrome lub Edge. Na telefonach i komputerach bez WebGPU domyślny dla hiszpańskiego, francuskiego, włoskiego i niemieckiego jest FastConformer, który popełnia o ponad połowę mniej błędów niż Whisper Tiny i działa mniej więcej trzy razy szybciej (za pierwszym razem ok. 175 MB do pobrania). Dla angielskiego na urządzeniach takich jak komputery z Windows z grafiką zintegrowaną i telefony domyślny jest SenseVoice Small; popełnia mniej błędów niż Whisper Base i działa szybciej. Na komputerach z WebGPU możesz też wybrać Qwen3-ASR 1.7B (za pierwszym razem ok. 5,2 GB do pobrania), który w japońskim, angielskim i chińskim popełnia mniej błędów niż Whisper Large v3 Turbo. Wskazanie języka zamiast automatycznego wykrywania również zmniejsza liczbę błędów. Odsetek błędów i czasy przetwarzania zmierzone dla każdego modelu w każdym języku znajdziesz na stronie Porównanie i wybór modelu.

Tak, choć aby chronić urządzenie, działa w trybie oszczędzającym pamięć (WASM), więc nagranie, które można przetworzyć za jednym razem, jest krótsze niż na komputerze. Do długich nagrań zalecamy komputer.

Zbieramy tylko statystyki potrzebne do naprawiania problemów i ulepszania funkcji. Są to: parametry urządzenia (model GPU, pamięć, liczba rdzeni), przeglądarka i system operacyjny, wybrany model i język, ustawienie rozpoznawania mówców (włączone lub wyłączone oraz podana liczba mówców), język wyświetlania strony, etap, do którego doszło przetwarzanie (także gdy je zatrzymasz lub zamkniesz stronę), rodzaj i treść błędu, format pliku wraz z przybliżonym rozmiarem i długością oraz czas przetwarzania. Wysyłany jest też tymczasowy numer, który łączy przetwarzania w tej samej karcie (jest usuwany po zamknięciu karty). Te same dane są wysyłane również po udanym przetwarzaniu, ponieważ do obliczenia odsetka niepowodzeń potrzebne są oba przypadki. Na ekranie wyników wysyłamy też, ile razy użyto edycji (np. zmiany nazwy mówcy lub podziału wiersza), tłumaczenia, streszczeń i wczytywania plików napisów, jakie formaty wybrano w „Pobierz”, ile razy użyto „Kopiuj tekst” i „Pobierz wszystko” oraz parę języków tłumaczenia. Nagrania, transkrypcje (w tym nazwy mówców i tłumaczenia), nazwy plików i adresy IP nigdy nie są wysyłane, a dane trafiają wyłącznie na serwer tej strony – nigdy nie są przekazywane podmiotom zewnętrznym. Możesz to w każdej chwili wyłączyć przełącznikiem w sekcji „Pomóż nam ulepszać serwis” na dole strony.

Tak. W menu „Pobierz” pod wynikiem wybierz „Word (DOCX)”, aby zapisać dokument, który otworzysz w programie Word. PDF zapisuje się przez funkcję drukowania przeglądarki: wybierz „PDF”, a w otwartym oknie drukowania zapisz jako PDF (na iPhonie i iPadzie użyj przycisku udostępniania na ekranie drukowania i zapisz w Plikach). Dostępne są też CSV do arkuszy kalkulacyjnych i JSON dla programów. Każdy format jest tworzony w przeglądarce, więc transkrypcja nigdy nie jest nigdzie wysyłana.

Tak. Naciśnij „Nagraj mikrofonem”, aby nagrywać mikrofonem komputera lub telefonu. Naciśnij „Zatrzymaj nagrywanie”, a potem „Rozpocznij transkrypcję”, a nagranie zostanie przetranskrybowane. Nagranie również nie jest nigdzie wysyłane; jest zapisywane w historii tego urządzenia. Możesz nagrywać do 3 godzin lub krócej, zależnie od pamięci urządzenia i wybranego modelu; limit jest pokazywany przed rozpoczęciem nagrywania. Na telefonie zablokowanie ekranu lub przejście do innej aplikacji podczas nagrywania może przerwać nagrywanie.

Tak. Wybierz kilka plików w oknie wyboru plików lub upuść je razem, a zostaną przetranskrybowane po kolei z tymi samymi ustawieniami (model, język i rozpoznawanie mówców). Każdy wynik jest zapisywany w historii na tym urządzeniu. Gdy wszystko się zakończy, wybierz TXT, Word, SRT, VTT, CSV lub JSON w „Pobierz wszystko”, aby zapisać wyniki w jednym pliku ZIP – po jednym pliku na transkrypcję. Pliki, których nie da się przetworzyć, są pomijane, a przetwarzanie przechodzi do kolejnego. Całe przetwarzanie odbywa się w przeglądarce, a pliki nie są nigdzie wysyłane.

Tak. W Chrome lub Edge (wersja 138 lub nowsza) na komputerze naciśnij „Utwórz streszczenie” na ekranie wyników, a AI wbudowana w przeglądarkę (Gemini Nano) zamieni transkrypcję w listę najważniejszych punktów. Streszczenie również powstaje w przeglądarce, więc transkrypcja nie jest nigdzie wysyłana. Przy zapisie jako Word, TXT lub PDF streszczenie trafia na początek, więc możesz użyć go jako pierwszej wersji protokołu. Streszczenia są dostępne dla języka japońskiego, angielskiego, hiszpańskiego, niemieckiego i francuskiego. Za pierwszym razem przeglądarka pobiera model AI, co wymaga 22 GB wolnego miejsca oraz co najmniej 16 GB pamięci RAM lub GPU z ponad 4 GB VRAM. Nie działa na telefonach ani w Firefoksie i Safari.

Tak. Wybierz plik napisów SRT lub VTT w oknie wyboru plików, a otworzy się na ekranie wyników bez transkrypcji. Możesz poprawiać tekst i czas wierszy, dzielić i usuwać wiersze, tłumaczyć i streszczać, a następnie zapisać wynik jako SRT, VTT, TXT, Word i w innych formatach przez „Pobierz” (co pozwala też przekonwertować SRT na VTT). Wybierz plik napisów razem z plikiem wideo (lub audio), aby odtwarzać wideo z nałożonymi napisami. Odczyt pliku również odbywa się w przeglądarce, a pliki nie są nigdzie wysyłane.