Nagranie rozmowy z telefonu, dyktafonu albo komunikatora zamienia się w dosłowny tekst w kilka minut. Każda wypowiedź ma oznaczenie mówcy i czas od początku nagrania, a wahania, powtórzenia i urwane zdania zostają w zapisie. Rozmowa do dwunastu minut kosztuje jednorazowo 4,99 zł, bez konta i bez zapisywania karty. Po zalogowaniu plik audio możesz usunąć od razu po transkrypcji.
Prześlij nagranie. Konto założysz dopiero po wyniku.
Upuść plik tutaj lub wybierz go z dysku. Najpierw pokażemy Ci początek transkryptu.
Który model transkrypcji myli najmniej słów?
skryba.ai transkrybuje na modelu Scribe v2, który w niezależnym indeksie Artificial Analysis myli 2,2% słów — najmniej ze wszystkich mierzonych. Dla porównania Gemini 3.5 Transcribe myli 2,6%, a Whisper large-v3 — 4,1%. To ten sam model, który zapisuje początek transkryptu pokazywany przed płatnością.
Word Error Rate — błędnie rozpoznane słowa — mniej = lepiej
Model
WER
skryba.ai (Scribe v2)model, na którym transkrybujemy
2,2%
MAI-Transcribe-1.5Microsoft Azure
2,4%
Gemini 3.5 TranscribeGoogle
2,6%
Universal-3 ProAssemblyAI
3,1%
GPT TranscribeOpenAI
3,3%
Whisper large-v3OpenAI
4,1%
Nova-3Deepgram
5,2%
Źródło: Artificial Analysis, indeks AA-WER v2, tryb non-streaming — odczyt 27 sierpnia 2026. Pokazujemy siedem z ponad 40 mierzonych modeli: czołówkę zestawienia i najbardziej rozpoznawalne nazwy. Ranking mierzy przede wszystkim nagrania po angielsku — dla polszczyzny nikt takiego porównania nie publikuje. Dlatego początek każdej transkrypcji pokazujemy, zanim o cokolwiek poprosimy.
Co dostajesz: zapis dosłowny, nie streszczenie
Domyślny transkrypt jest dosłowny. Zostaje w nim każde „yy”, powtórzenie, urwane zdanie i przekleństwo. Nic nie jest wygładzane, przestawiane ani dopowiadane — jeśli ktoś zaczął zdanie trzy razy, w tekście będą trzy początki.
Podział na mówców — model rozdziela głosy, a Ty nadajesz im nazwy w edytorze: „ja”, „on”, imię.
Czas od początku nagrania przy każdej wypowiedzi, w minutach i sekundach.
Edytor z odtwarzaczem obok — klikasz zdanie, słyszysz ten fragment nagrania.
Eksport do SRT (z czasem każdej wypowiedzi) i TXT (z etykietami mówców albo bez).
Link do udostępnienia zapisu pełnomocnikowi — wygasa po 30 dniach i możesz go unieważnić wcześniej.
Czego w tym zapisie nie ma: daty i godziny rozmowy. Transkrypt zna tylko czas liczony od początku pliku, bo z samego dźwięku nie wynika, kiedy został nagrany. Datę dokumentujesz sam — zrzutem ekranu z listy nagrań w telefonie, właściwościami pliku, wiadomością, w której nagranie przyszło.
Jest też wersja zredagowana, która usuwa wypełniacze i jąkania. Przy nagraniu rozmowy zwykle jej nie chcesz: zapis, który ma być sprawdzany z nagraniem, powinien się z nim zgadzać co do słowa.
Z jakiego pliku to zrobisz
Nagrania rozmów wychodzą z telefonów w kilku formatach i żadnego nie trzeba konwertować. Prześlij plik dokładnie taki, jaki masz.
Skąd
Zwykle dostajesz
Uwaga
Dyktafon w iPhonie
M4A
Udostępnij plik na komputer albo prześlij prosto z telefonu
Dyktafon albo nagrywanie rozmów w Androidzie
M4A, AMR, 3GP, MP3
Nagranie rozmowy z Androida bywa ciche po stronie rozmówcy — podgląd pokaże, czy wystarczy
Wiadomość głosowa z WhatsAppa
OGG lub OPUS
Eksportuj wiadomość jako plik, nie jako zrzut ekranu
Dyktafon cyfrowy
MP3, WAV, WMA
Zgraj kablem i prześlij
Nagranie wideo z telefonu
MP4, MOV
Prześlij w całości, bez wycinania dźwięku
Przewiń tabelę w bok, aby zobaczyć pozostałe kolumny.
Jakość zapisu zależy od jakości nagrania bardziej niż od czegokolwiek innego. Rozmowa dwóch osób w pokoju wychodzi dobrze; telefon w kieszeni, kłótnia w kilka głosów naraz albo rozmowa przez głośnik w samochodzie — gorzej, i wtedy część słów trzeba poprawić przy odsłuchu. Darmowy podgląd pokazuje początek zapisu na Twoim nagraniu, więc widzisz to przed zapłatą.
Ile to kosztuje
Płacisz za rozpoczęte minuty: 0,39 zł za minutę, przy minimum 4,99 zł. To minimum obejmuje rozmowy do dwunastu minut, czyli większość nagranych rozmów. Płacisz raz, kartą albo BLIK-iem, bez konta — po płatności czytasz całość od razu, a nagranie zostaje dostępne przez 30 dni. Nagrania do pięciu minut są w całości darmowe po zalogowaniu.
Nagranie
Koszt jednorazowo
Do 5 minut
0 zł po zalogowaniu (15 darmowych minut dziennie)
6–12 minut
4,99 zł
30 minut
11,70 zł
Godzina
23,40 zł
Kilkanaście rozmów z jednej sprawy
Pakiet 5 godzin za 59 zł, bez terminu ważności
Przewiń tabelę w bok, aby zobaczyć pozostałe kolumny.
Jeśli nagrań jest więcej — kilka rozmów z tej samej sprawy, wiadomości głosowe z kilku miesięcy — pakiet godzin wychodzi taniej niż płacenie za każde osobno, a godziny z pakietu nie przepadają. Przez 14 dni od zakupu możesz odstąpić od umowy i odzyskać całą kwotę, także za minuty już wykorzystane.
Nagranie rozmowy to zwykle najbardziej prywatna rzecz, jaką ktoś wgrywa do internetu. Poniżej fakty, bez naszej interpretacji.
Plik trafia do prywatnego zasobnika na Cloudflare R2 w Europejskim Obszarze Gospodarczym. Nie jest nigdzie publikowany ani indeksowany.
Transkrypcja powstaje w pełni automatycznie. Rozpoznawanie mowy wykonuje ElevenLabs, Inc. w USA: dostaje plik przez wygasający link i zwraca tekst; transfer na standardowych klauzulach umownych, szczegóły w polityce prywatności.
Po zalogowaniu nagranie usuwasz sam, w każdej chwili, razem z transkryptem i wszystkimi udostępnieniami. Możesz też włączyć automatyczne usuwanie audio po 1, 7 albo 30 dniach — transkrypt zostaje.
Nagranie wgrane bez konta znika samo po 30 dniach, razem z transkryptem — tyle masz na wrócenie po nie, zapłacenie albo przypisanie go do konta. Po zalogowaniu zostaje, dopóki sam go nie usuniesz albo dopóki nie usunie go ustawienie z punktu wyżej.
Link do udostępnienia działa 30 dni i możesz go unieważnić wcześniej. Odbiorca widzi transkrypt, nie dostaje pliku.
Wersja zredagowana wysyła sam tekst do Anthropic w USA i pytamy o to osobno, przed pierwszym użyciem. Jeśli jej nie uruchomisz, tekst nie opuszcza wymienionych wyżej miejsc.
Jeśli nagranie ma trafić do pełnomocnika albo sądu
Transkrypt nie zastępuje nagrania. Dowodem jest plik dźwiękowy, a zapis tekstowy pozwala go czytać, cytować i wskazać minutę, w której coś padło — zamiast przewijać. Sądy w Polsce dopuszczają nagrania wykonane przez uczestnika rozmowy, ale ocena konkretnego nagrania należy do sądu w konkretnej sprawie, więc o tym, czy i jak je przedstawić, porozmawiaj z pełnomocnikiem, nie z nami.
Zachowaj oryginalny plik w niezmienionej postaci. Wgraj kopię — oryginał zostaje u Ciebie, na urządzeniu, na którym powstał.
Transkrypt powstaje automatycznie, więc przesłuchaj go z nagraniem i popraw źle usłyszane słowa w edytorze. Plik TXT ma dopisek, że tekst wygenerowała AI.
Nazwij mówców tak, jak nazwiesz ich w piśmie. Nie zgaduj — jeśli nie masz pewności, kto mówi w danym fragmencie, zostaw etykietę ogólną.
Do pisma dołącz czas z zapisu (minuta:sekunda od początku pliku), a datę i okoliczności nagrania opisz osobno.
Czy transkrypt jest dosłowny, czy poprawiacie wypowiedzi?
Jest dosłowny. Wahania, powtórzenia, urwane zdania i przekleństwa zostają, a nic nie jest przestawiane ani dopowiadane. Jedyne poprawki wprowadzasz sam w edytorze, na przykład gdy model źle usłyszał nazwisko. Wersja zredagowana, która usuwa wypełniacze, istnieje osobno i przy nagraniu rozmowy zwykle nie jest tym, czego chcesz.
Czy w transkrypcie będzie data i godzina rozmowy?
Nie. Transkrypt ma czas liczony od początku nagrania — minutę i sekundę każdej wypowiedzi — bo z samego dźwięku nie wynika, kiedy został nagrany. Datę i godzinę dokumentujesz sam: zrzutem ekranu z listy nagrań w telefonie, właściwościami pliku albo wiadomością, w której nagranie do Ciebie przyszło.
Czy przyjmiecie wiadomość głosową z WhatsAppa albo nagranie z Androida?
Tak, bez konwersji. WhatsApp eksportuje wiadomości głosowe jako OGG lub OPUS, Android nagrywa w M4A, AMR albo 3GP, iPhone w M4A, a dyktafony w MP3, WAV lub WMA. Prześlij plik dokładnie w tej postaci, w jakiej go masz. Nagrania rozmów telefonicznych z Androida bywają ciche po stronie rozmówcy — darmowy podgląd pokaże, czy jakość wystarczy.
Czy ktoś u was odsłuchuje moje nagranie?
Do przygotowania transkryptu — nie: rozpoznawanie mowy wykonuje automat i nikt nie odsłuchuje nagrania, żeby je przepisać. Plik leży w prywatnym zasobniku w Europejskim Obszarze Gospodarczym i nie jest nigdzie publikowany; to, w jakim zakresie i po co operator ma dostęp do danych, opisuje polityka prywatności. Bez konta nagranie znika samo po 30 dniach; po zalogowaniu usuwasz je w każdej chwili, także od razu po pobraniu tekstu — transkrypt zostaje wtedy na koncie, dopóki i jego nie usuniesz.
Czy muszę zakładać konto, żeby kupić transkrypt jednej rozmowy?
Nie. Przesyłasz plik, czytasz początek transkryptu, płacisz kartą albo BLIK-iem i czytasz całość — bez zakładania konta i bez zapisywania karty; adres e-mail podajesz tylko w płatności, do potwierdzenia. Nagranie jest dostępne przez 30 dni w tej samej przeglądarce — opłacone czy nie; jeśli zalogujesz się w tym czasie, zostanie przypisane do konta i przestanie wygasać (plik audio możesz potem usunąć sam albo ustawić, żeby usuwał się automatycznie). Konto jest potrzebne tylko do darmowych nagrań do pięciu minut.
Czy taki transkrypt wystarczy jako dowód?
Sam transkrypt nie — dowodem jest nagranie, a zapis tekstowy pomaga je czytać i cytować. W Polsce sądy dopuszczają nagrania wykonane przez uczestnika rozmowy, ale każde ocenia sąd w konkretnej sprawie. Zachowaj oryginalny plik, popraw źle usłyszane słowa przy odsłuchu i omów sposób przedstawienia nagrania z pełnomocnikiem. Szczegóły opisaliśmy w osobnym artykule.
