Transkrypcja nagrania audio — wywiad, rozmowa, plik audio (AI, po polsku)
Prześlij nagranie audio lub wideo i otrzymaj precyzyjny transkrypt po polsku w kilka minut — z etykietami mówców, znacznikami czasu i eksportem do TXT, DOCX, PDF, SRT lub VTT. Idealne do wywiadów dziennikarskich i badawczych, rozmów telefonicznych, spotkań i debat. 30 minut bezpłatnie, bez karty.
Obsługiwane formaty:
Jak zrobić transkrypcję nagrania audio?
Prześlij plik audio (MP3, WAV, M4A, FLAC) lub wideo (MP4, MOV, MKV) do VexaScribe. Silnik AI oparty na Whisper Large-v3 transkrybuje mowę po polsku z dokładnością około 5,7% WER (FLEURS), a pyannote 4.0 rozpoznaje do 50 mówców i etykietuje wypowiedzi. Po 20–40% długości nagrania pobierzesz gotowy transkrypt jako TXT, DOCX, PDF, SRT lub VTT — z etykietami mówców i znacznikami czasu, gotowy do importu w NVivo 14, ATLAS.ti 24 lub MAXQDA. 30 minut bez opłat, dalej od 2 $/miesiąc.
Transkrypcja nagrania audio — jak działa
Transkrypcja nagrania to proces zamiany zapisu dźwiękowego na tekst pisany. W VexaScribe odbywa się w chmurze — nie musisz nic instalować. Wystarczy przeciągnąć plik do przeglądarki, wybrać język (polski jest wykrywany automatycznie) i uruchomić zadanie. Model OpenAI Whisper Large-v3 rozpoznaje mowę, a moduł diaryzacji pyannote 4.0 oddziela wypowiedzi kolejnych mówców.
Transkrypcja nagrania online w przeglądarce ma trzy zalety w porównaniu z lokalnym oprogramowaniem: nie zużywa zasobów Twojego komputera, korzysta z aktualnej wersji modelu (bez ręcznych aktualizacji) i pozwala udostępniać transkrypt jednym linkiem zespołowi. Pliki są szyfrowane w tranzycie (TLS) i przechowywane wyłącznie w Twoim koncie do momentu ich ręcznego usunięcia.
Cały workflow — od uploadu do pobrania transkryptu — mieści się w kilkunastu do kilkudziesięciu minut nawet dla wielogodzinnych plików. Nagrania telefoniczne (8 kHz), dyktafonowe wywiady (44,1 kHz) i wielokanałowe konferencje traktowane są w tym samym pipeline, bez konieczności ręcznej konwersji.
Transkrypcja audio — plik dźwiękowy na tekst
Transkrypcja audio obejmuje wszystkie typowe formaty plików dźwiękowych: MP3, WAV, M4A, FLAC, OGG, AAC oraz WMA. Transkrypcja pliku audio odbywa się bez konwersji po Twojej stronie — silnik akceptuje dowolny bitrate i próbkowanie od 8 kHz (rozmowy telefoniczne) do 96 kHz (studyjne wywiady).
Jeśli chcesz zrobić transkrypcję plików audio wsadowo (np. serię odcinków podcastu lub kilkanaście wywiadów badawczych), możesz wrzucić je do kolejki jednym przeciągnięciem. Każdy plik trafia do osobnego zadania, a status widać w panelu. Transkrypcja audio online w VexaScribe działa też na urządzeniach mobilnych — interfejs jest w pełni responsywny.
Typowy plik podcastu (60 minut, 128 kbps MP3) waży około 55 MB i jest transkrybowany w 12–20 minut. Nagranie WAV z sesji studyjnej (60 minut, 48 kHz stereo) waży około 660 MB i mieści się w limicie 5 GB na pojedynczy plik.
Transkrypcja wywiadu — dla dziennikarzy i badaczy
Transkrypcja wywiadu to jedno z najczęstszych zastosowań VexaScribe w Polsce. Dziennikarze śledczy, redaktorzy podcastów, badacze jakościowi i studenci piszący prace magisterskie zyskują kilka godzin dziennie dzięki temu, że transkrypcja wywiadów jest w pełni automatyczna.
Model diaryzacji rozpoznaje kto mówi i przypisuje etykiety (Mówca 1, Mówca 2, …), które łatwo zmienić na imiona rozmówców w edytorze. Znaczniki czasu przy każdej wypowiedzi ułatwiają cytowanie i weryfikację źródła. To wprost przekłada się na pracę z materiałem: fragment nagrania odnajdziesz w jednej sekundzie.
Jeśli szukasz programu do transkrypcji wywiadów z myślą o pracy badawczej, VexaScribe integruje się z NVivo 14, ATLAS.ti 24 i MAXQDA — najpopularniejszymi narzędziami CAQDAS na polskich uczelniach. Transkrypt eksportuje się jako DOCX lub TXT i importuje do projektu badawczego bez utraty etykiet mówców.
Dla wywiadów pogłębionych (IDI) i wywiadów grupowych (FGI) polecamy tryb „speakers” w edytorze: nazwiesz każdego uczestnika raz, a etykieta pojawi się przy wszystkich jego wypowiedziach w całym transkrypcie.
Transkrypcja rozmowy — spotkanie, telefon, debata
Transkrypcja rozmowy obejmuje bardzo różne sytuacje: nagranie spotkania biznesowego w Zoomie, wywiad na Teamsach, rozmowa telefoniczna z klientem, panel dyskusyjny czy debata publiczna. VexaScribe traktuje je jednym pipeline'em i dostosowuje diaryzację do liczby uczestników.
Transkrypcja rozmowy telefonicznej — czyli nagrania z linii stacjonarnej lub komórkowej (najczęściej 8 kHz mono, kodek G.711 lub Opus) — działa równie dobrze jak nagrania szerokopasmowe, choć jakość akustyczna jest naturalnie niższa. Przy dwuosobowej rozmowie transkrypcja rozmów telefonicznych mieści się w normie WER modelu Whisper.
Transkrypcja debaty (np. debata przedwyborcza, panel konferencyjny, dyskusja w studiu) korzysta z pełnej możliwości pyannote 4.0 — do 50 mówców w jednym pliku. W praktyce najlepszą dokładność uzyskujesz przy 2–6 mówcach; powyżej zaleca się szybką korektę etykiet w edytorze.
Wszystkie transkrypcje rozmów można eksportować w formacie SRT lub VTT, jeśli planujesz publikować materiał wideo z napisami (np. debata na YouTube).
Przykład transkryptu wywiadu (po polsku)
Trzyosobowy wywiad podcastowy z etykietami mówców i znacznikami czasu — dokładnie tak wygląda transkrypt eksportowany z VexaScribe do TXT lub DOCX.
Import do NVivo, ATLAS.ti i MAXQDA
Transkrypt eksportowany z VexaScribe importuje się bezpośrednio do najpopularniejszych narzędzi CAQDAS używanych na polskich uczelniach. Poniższa matryca porównuje obsługiwane formaty audio, sposób importu, znaczniki czasu i etykiety mówców w trzech najczęściej wybieranych programach.
| Narzędzie | Formaty audio | Ścieżka importu | Znaczniki czasu | Etykiety mówców |
|---|---|---|---|---|
| NVivo 14 | MP3, M4A, WAV, WMA | Import audio jako plik multimedialny; transkrypt jako TXT/DOCX | Tak — transkrypt można ręcznie zsynchronizować ze ścieżką audio | Tak — etykiety w tekście lub pole „Speaker” w projekcie |
| ATLAS.ti 24 (Windows) | AAC, M4A, MP3, MP4, WAV (rekomendowany MP3) | „Add Documents” → plik audio + transkrypt DOCX | Tak — kotwice czasowe w transkrypcie łączą się z audio | Tak — etykiety mówców zachowywane jako prefiks akapitu |
| MAXQDA (Standard/Analytics Pro) | MP3, M4A, WAV, AAC (AI-transkrypcja); + WMA (analiza) | „Import → Audio/Video” + transkrypt TXT/DOCX (≤1 GB) | Tak — natywne znaczniki czasu w edytorze transkryptu | Tak — przypisanie kolorów mówcom w oknie transkryptu |
Zweryfikowano 3 sierpnia 2026 r. na podstawie oficjalnej dokumentacji dostawców: Alfasoft (NVivo 14), manuals.atlasti.com (ATLAS.ti 24, Windows/Mac), help.maxqda.com (MAXQDA — limit pliku ≤ 1 GB dla importu multimedialnego). Rekomendowany format audio dla wszystkich trzech narzędzi to MP3 — najbardziej uniwersalny i z najlepszą kompatybilnością czasu odtwarzania.
Nagrywanie rozmów w Polsce — RODO i zgoda
W polskim prawie obowiązuje następująca zasada: jeżeli jesteś uczestnikiem rozmowy, możesz co do zasady ją nagrywać — nie ma bezwzględnego wymogu zgody wszystkich uczestników. Ograniczenia dotyczą przede wszystkim sytuacji, w których nagrywający nie bierze udziału w rozmowie.
Karalne — na podstawie Art. 267 §3 Kodeksu karnego (kara grzywny, ograniczenia wolności albo pozbawienia wolności do 2 lat) — jest zakładanie lub posługiwanie się urządzeniem rejestrującym w celu uzyskania informacji, do której osoba nie jest uprawniona, w tym podsłuchiwanie rozmowy, w której nagrywający nie uczestniczy.
Osobną kwestią jest RODO: jeśli nagranie zawiera dane osobowe (a głos jest daną osobową) i wykorzystujesz je zawodowo — np. jako dziennikarz, badacz akademicki lub pracownik firmy — mają zastosowanie przepisy ogólnego rozporządzenia o ochronie danych. Wymagają one wskazania podstawy prawnej przetwarzania (np. zgoda, uzasadniony interes, zadanie realizowane w interesie publicznym) i mogą wymagać poinformowania osób nagrywanych o fakcie nagrywania oraz o celu przetwarzania.
Wywiady dziennikarskie i badawcze prowadzone w celach dokumentacyjnych zwykle korzystają z wyłączeń przewidzianych w RODO dla działalności dziennikarskiej (art. 85 RODO) oraz w polskiej ustawie o ochronie danych osobowych. Wywiady akademickie standardowo poprzedza się formularzem zgody uczestnika.
Powyższe informacje mają charakter ogólnoinformacyjny i opisują obowiązujące prawo, ale nie stanowią porady prawnej. Konkretną sytuację warto skonsultować z prawnikiem. Weryfikacja stanu prawnego: 3 sierpnia 2026 r. (Kodeks karny, Dz. U. 1997 nr 88 poz. 553 z późn. zm.; RODO — Rozporządzenie (UE) 2016/679).
Separacja mówców — do 50 osób
Diaryzacja mówców (speaker diarization) odpowiada na pytanie „kto mówi kiedy?”. W VexaScribe realizuje ją model pyannote 4.0, który obsługuje do 50 unikalnych mówców w jednym pliku. Praktycznie najlepszą dokładność otrzymujesz przy 2–6 mówcach — czyli w typowej rozmowie kwalifikacyjnej, wywiadzie pogłębionym IDI, panelu ekspertów lub wywiadzie grupowym FGI.
Powyżej 6 mówców nadal działa poprawnie, ale przy dużych panelach dyskusyjnych czy debatach zaleca się szybką korektę etykiet w edytorze. Model radzi sobie również z sytuacjami, w których mówcy się nakładają — moment przerywanej wypowiedzi jest oznaczany osobno, a nie łączony w jeden blok.
Etykiety mówców zachowują się przy każdym eksporcie: TXT, DOCX, PDF, SRT i VTT. Dzięki temu import do NVivo, ATLAS.ti lub MAXQDA nie wymaga ponownego oznaczania wypowiedzi — kod tematyczny można nakładać od razu na segmenty przypisane do konkretnej osoby.
Program do transkrypcji wywiadów — porównanie narzędzi
Na polskim rynku dostępnych jest kilka narzędzi do automatycznej transkrypcji wywiadów. Poniżej zestawienie oparte na oficjalnych stronach dostawców — porównanie dotyczy modelu ASR, wsparcia polskiego, liczby mówców, formatów eksportu i ceny.
| Narzędzie | Modele ASR | Polski | Mówcy | Eksport | Cena wyjściowa |
|---|---|---|---|---|---|
| VexaScribe | Whisper Large-v3 + pyannote 4.0 | ~5,7% WER (FLEURS) | do 50 (najlepiej 2–6) | TXT, DOCX, PDF, SRT, VTT | od 2 $/mies. (200 min) |
| Otter.ai | własny model | brak natywnego wsparcia polskiego | tak, limit zależny od planu | TXT, DOCX, SRT, PDF | od 16,99 $/mies. |
| Sonix | własny model + Whisper | wsparcie polskiego | tak | TXT, DOCX, SRT, VTT | 10 $/godz. (pay-as-you-go) |
Ceny orientacyjne, stan na 3 sierpnia 2026 r. Sprawdź aktualny cennik na stronach dostawców. VexaScribe jako jedyny w tym zestawieniu udostępnia bezpłatnie 30 minut miesięcznie bez podawania karty.
Precyzja dla języka polskiego
VexaScribe korzysta z modelu OpenAI Whisper Large-v3. Dokładność mierzy się współczynnikiem błędów słów (WER — Word Error Rate) — im niższy, tym lepiej. W benchmarku FLEURS model uzyskuje dla polskiego około 5,7% WER, co stawia go w ścisłej czołówce dostępnych publicznie modeli ASR.
| Język | Whisper Large-v3 WER |
|---|---|
| Polski (FLEURS) | ~5,7 % |
| Angielski | ~4,2 % |
| Niemiecki | ~4,5 % |
| Hiszpański | ~4 % |
| Francuski | ~4 % |
| Włoski | ~5 % |
| Portugalski | ~5 % |
| Niderlandzki | ~6 % |
| Czeski | ~7 % |
| Turecki | ~7 % |
| Rosyjski | ~6 % |
Źródło: Radford i in., Robust Speech Recognition via Large-Scale Weak Supervision, arXiv:2212.04356, Tabela 5. Wartości WER na benchmarku FLEURS/CommonVoice. Realna dokładność w Twoim nagraniu zależy od jakości audio, akcentów, terminologii branżowej i liczby mówców.
Uczciwe ceny — bez zobowiązań
Godzinny wywiad w planie Basic (5 $/miesiąc) to koszt około 0,30 $ — eksport TXT/DOCX/PDF/SRT/VTT w cenie. Rozliczenie miesiąc do miesiąca, bez umowy na czas określony.
Zobacz wszystkie plany →Ręczne przepisywanie vs. VexaScribe
Ręczna transkrypcja (Word + odsłuchiwanie)
- ✗4–8 godzin pracy na godzinę nagrania — start, stop, przewijanie
- ✗Ręczne przypisywanie mówców — łatwe pomyłki przy szybkiej rozmowie
- ✗Znaczniki czasu wpisywane ręcznie, często niespójne
- ✗Skalowanie na 50 wywiadów oznacza tygodnie pracy
- ✗Import do NVivo/ATLAS.ti/MAXQDA wymaga ręcznego formatowania
Idealne dla Krótkie fragmenty (< 5 minut), bardzo słaba jakość audio lub gdy brak dostępu do internetu
VexaScribe (AI: Whisper Large-v3 + pyannote 4.0)
- ✓20–40% długości nagrania — automatycznie z precyzyjnym timingiem
- ✓Diaryzacja do 50 mówców, etykiety zachowywane w eksporcie
- ✓Znaczniki czasu przy każdej wypowiedzi, poprawne w SRT/VTT
- ✓Kolejka zadań i wsadowe wgrywanie do 5 GB na plik
- ✓TXT/DOCX bezpośrednio kompatybilny z CAQDAS-em bez konwersji
Idealne dla Wywiady dziennikarskie i badawcze, rozmowy telefoniczne, panele, debaty, badania jakościowe, praca redakcyjna
Jak zrobić transkrypcję nagrania (3 kroki)
1. Prześlij plik audio lub wideo
Przeciągnij MP3, WAV, M4A, FLAC (audio) lub MP4, MOV, MKV, WebM (wideo) do 5 GB. Z plików wideo ścieżka dźwiękowa wyodrębniana jest automatycznie.
2. AI transkrybuje i rozpoznaje mówców
Whisper Large-v3 rozpoznaje polski automatycznie (~5,7% WER na FLEURS), pyannote 4.0 etykietuje wypowiedzi do 50 mówców. Przetwarzanie trwa 20–40% długości nagrania.
3. Pobierz transkrypt i zaimportuj do CAQDAS
Eksportuj do TXT, DOCX, PDF, SRT lub VTT. TXT/DOCX importuje się bezpośrednio do NVivo 14, ATLAS.ti 24 i MAXQDA — z etykietami mówców i znacznikami czasu.
Kluczowe funkcje w pigułce
Wszystko, czego potrzebujesz, aby zrobić transkrypcję wywiadu, rozmowy lub pliku audio po polsku.
Whisper Large-v3 dla polskiego
~5,7% WER na FLEURS PL. Automatyczne wykrywanie języka — nie musisz nic ustawiać.
Diaryzacja do 50 mówców
pyannote 4.0 rozpoznaje kto mówi. Najlepsza dokładność przy 2–6 mówcach — idealne dla wywiadów i paneli.
Eksport TXT / DOCX / PDF / SRT / VTT
Wszystkie popularne formaty tekstowe i napisowe z jednego uploadu — bez ponownego przetwarzania.
Import do NVivo, ATLAS.ti, MAXQDA
Transkrypt DOCX/TXT importuje się bezpośrednio jako dokument w projekcie badawczym.
Edytor z odtwarzaczem
Korekta klikiem, zmiana etykiet mówców, podział wypowiedzi — bez konieczności ponownej transkrypcji.
Plik do 5 GB
Wielogodzinne wywiady, konferencje i debaty przetwarzane bez ręcznego dzielenia.
Częste pytania
Jak zrobić transkrypcję nagrania audio?
Prześlij plik audio (MP3, WAV, M4A, FLAC, OGG, AAC) lub wideo (MP4, MOV, MKV, WebM) do VexaScribe przez przeciągnij-i-upuść. Silnik AI oparty na Whisper Large-v3 rozpoznaje mowę w 99 językach, dodaje precyzyjne znaczniki czasu i etykiety mówców. Po zakończeniu możesz wyeksportować transkrypt do TXT, DOCX, PDF, SRT lub VTT — a także zaimportować go do NVivo, ATLAS.ti lub MAXQDA. Cały proces trwa zwykle 20–40% długości nagrania.
Ile kosztuje transkrypcja nagrania?
Bezpłatny okres próbny obejmuje 30 minut bez podawania karty. Plany płatne zaczynają się od 2 $/miesiąc za 200 minut (Starter), 5 $/miesiąc za 1000 minut (Basic), 10 $/miesiąc za 2500 minut (Pro) i 20 $/miesiąc za 6000 minut (Studio). Godzinne nagranie w planie Basic to około 0,30 $.
Jaka jest dokładność transkrypcji audio po polsku?
VexaScribe używa modelu OpenAI Whisper Large-v3, który na benchmarku FLEURS dla języka polskiego osiąga około 5,7% współczynnika błędów słów (WER) — źródło: Radford i in., „Robust Speech Recognition via Large-Scale Weak Supervision”, arXiv:2212.04356, Tabela 5. Realna dokładność zależy od jakości nagrania, akcentów, liczby mówców i terminologii branżowej.
Czy mogę zrobić transkrypcję wywiadu z kilkoma mówcami?
Tak. Diaryzacja (rozpoznawanie i etykietowanie mówców) oparta jest na pyannote 4.0 i obsługuje do 50 osób w jednym pliku. Najlepszą dokładność uzyskujesz przy 2–6 mówcach — czyli w typowej rozmowie kwalifikacyjnej, wywiadzie dziennikarskim lub badawczym. Etykiety mówców zachowują się przy eksporcie do TXT, DOCX, SRT i VTT.
Czy transkrypcję można zaimportować do NVivo, ATLAS.ti lub MAXQDA?
Tak. Eksport TXT lub DOCX importuje się bezpośrednio jako dokument tekstowy w każdym z tych narzędzi. Jeśli chcesz zachować ścieżkę audio i znaczniki czasu, wyeksportuj plik audio w formacie MP3 (obsługiwany przez NVivo 14, ATLAS.ti 24 i MAXQDA) i podłącz go do transkryptu w projekcie badawczym. Etykiety mówców pozostają w tekście, dzięki czemu kodowanie tematyczne jest łatwiejsze.
Czy w Polsce mogę legalnie nagrywać rozmowę i ją transkrybować?
W polskim prawie nie ma bezwzględnego wymogu zgody wszystkich uczestników na nagrywanie rozmowy — jeśli sam jesteś uczestnikiem rozmowy, możesz co do zasady ją nagrywać. Karalne (Art. 267 §3 Kodeksu karnego, kara do 2 lat pozbawienia wolności) jest nagrywanie lub podsłuchiwanie rozmowy, w której nie uczestniczysz, za pomocą urządzenia rejestrującego. Jeśli nagranie zawiera dane osobowe i wykorzystujesz je zawodowo, zastosowanie mają przepisy RODO — wymagają one podstawy prawnej i mogą wymagać poinformowania osób nagrywanych.
Jakie formaty audio i wideo są obsługiwane?
VexaScribe przyjmuje wszystkie popularne formaty audio: MP3, WAV, M4A, FLAC, OGG, AAC, WMA, oraz wideo: MP4, MOV, AVI, MKV, WebM. Z plików wideo ścieżka dźwiękowa jest wyodrębniana automatycznie. Maksymalny rozmiar pliku to 5 GB.
Czy transkrypcja rozmowy telefonicznej działa dobrze?
Tak — nagrania telefoniczne (8 kHz lub 16 kHz mono) są w pełni obsługiwane. Jakość transkrypcji zależy od kodeka i szumu tła. Przy dobrej linii i pojedynczym mówcy po każdej stronie WER na polskim mieści się w podanym zakresie modelu Whisper. Nagrania z głośnika lub w słabej sieci komórkowej mogą wymagać krótkiej weryfikacji w edytorze.
Jak długo trwa transkrypcja godzinnego wywiadu?
Standardowo od 12 do 25 minut na godzinę materiału. Silnik Whisper Large-v3 pracuje na GPU chmurowym, a nasza kolejka zwykle zwraca gotowy transkrypt szybciej niż długość nagrania. Wyjątek stanowią bardzo długie pliki (powyżej 3 godzin), gdzie czas jest proporcjonalnie dłuższy.
Czy transkrypcja pliku audio jest bezpieczna i prywatna?
Pliki są przesyłane szyfrowanym połączeniem TLS, przetwarzane w izolowanych zadaniach i przechowywane w Twoim koncie do momentu ich usunięcia. Nie udostępniamy nagrań ani transkryptów firmom trzecim ani nie używamy ich do trenowania modeli. Możesz w każdej chwili usunąć plik i transkrypt z panelu.
Powiązane strony
Nagranie na tekst
Zamień dowolne nagranie audio lub wideo na tekst — wszystkie formaty, po polsku.
MP3 na tekst
Transkrypcja plików MP3 — podcasty, dyktafon, notatki głosowe.
MP4 na tekst
Transkrypcja plików MP4 i innych formatów wideo — automatyczne wydobycie ścieżki audio.
Transkrypcja YouTube
Zamień film z YouTube na tekst — wystarczy wkleić link.
Generator napisów
Twórz napisy SRT i VTT z filmu — YouTube, TikTok, Instagram, Vimeo, LinkedIn.
VexaScribe wykorzystuje model OpenAI Whisper Large-v3 do zamiany mowy na tekst. Na benchmarku FLEURS model osiąga dla języka polskiego około 5,7% współczynnika błędów słów (Radford i in., „Robust Speech Recognition via Large-Scale Weak Supervision”, arXiv:2212.04356, Tabela 5). Realna dokładność zależy od jakości nagrania, akcentów, terminologii i liczby mówców. Informacje prawne w sekcji o nagrywaniu rozmów mają charakter ogólnoinformacyjny i nie stanowią porady prawnej — w konkretnej sprawie należy skonsultować się z prawnikiem. „OpenAI”, „Whisper”, „NVivo”, „ATLAS.ti”, „MAXQDA”, „Otter.ai” i „Sonix” są znakami towarowymi ich właścicieli i nie mają żadnego związku handlowego z VexaScribe.