音频转文字
上传采访、讲座、会议录音或语音备忘录，即可得到文字稿。语音识别会把说话内容写成带标点的文字，可选添加时间戳和说话人标签，输出为文档或视频字幕。
音频转文字
或将MP3, WAV, M4A … 文件拖放到此处 ·
单个文件最大 95 MB· 最多 20 个文件· 30 分钟后删除
文件在我们的服务器上处理，并在 30 分钟后删除。
超过此长度的字幕行会被拆分。42 是常见的广播标准。
可选。填写秒数（如 75）或分:秒（1:15）。留空则从头开始转写。
可选。格式与开始时间相同。留空则转写到结尾。
使用方法
- 1
上传音频或视频
添加 MP3、M4A、WAV、AAC、FLAC、OGG、Opus、AMR 等音频文件，或 MP4、MOV、MKV、WebM、AVI 视频。最多 20 个文件，每个不超过 95 MB。
- 2
选择语言和输出格式
语音语言默认为自动检测。在输出中选择：纯文本、Word、PDF、SRT 或 VTT 字幕，或带逐字时间的 JSON。
- 3
转写并下载
点击转写，按钮上会显示你选择的输出格式。打开转写结果，校对人名和数字后下载。
音频转文字，也叫转写，是把录制的语音变成文字。上传文件，语音语言保持自动检测或自行选择语言，选好输出后点击转写。
音频转文字：语音识别的工作原理
语音识别会把录音切成很短的片段，将每段转成频率图像，再由训练好的模型判断最可能发出这种声音的词。现代模型学习了海量已转写的语音，因此处理不同嗓音和口音的能力远胜十年前的听写软件。标点和大小写由句子的走向推测；如果只想要原始文字，请关闭标点符号。
语言设置很重要。自动检测会听前 30 秒，然后整个文件只使用一种语言。如果录音开头是音乐、片头曲或静音，或中途切换语言，请自行选择语音语言。列表涵盖 33 种语言，从英语、西班牙语、阿拉伯语到印地语、泰米尔语、日语和乌克兰语。
用户来自各种场景：手机里存着采访的记者、有课堂录音的学生、导出会议记录的团队、需要字幕的创作者。最常见的两种文件类型有专门页面：录音笔和播客文件用MP3转文字，iPhone 语音备忘录用M4A转文字。视频文件可直接处理，无需先提取声音。
文字稿和字幕格式
| 输出 | 内容 | 打开方式 |
|---|---|---|
| 纯文本（TXT） | 分段文字，可选时间戳和说话人标记 | 任意文本编辑器、笔记应用或邮件 |
| Word（DOCX） | 带格式的转写稿，可直接编辑和分享 | Word、Google Docs、Pages、LibreOffice |
| 转写稿的固定副本，便于存档 | 任意 PDF 阅读器或浏览器 | |
| 字幕（SRT） | 带编号、含开始和结束时间的字幕 | YouTube、视频编辑软件、VLC |
| 网页字幕（VTT） | WebVTT 字幕，HTML5 视频使用的 W3C 格式 | 网页播放器、YouTube、课程平台 |
| JSON（逐字时间） | 每个词及其开始和结束时间 | 脚本、搜索索引、编辑工具 |
时间戳、说话人及其他转写选项
- 时间戳
- 时间戳会在 TXT、Word 和 PDF 转写稿的每个段落前加上时间，如 [01:15]，方便你在录音中找到对应位置。
- 说话人标记
- 说话人标记会用说话人 1、说话人 2 等标出谁在发言，适用于访谈、会议和播客。之后可把标记替换成姓名。
- 标点和口头语
- 标点符号默认开启。去除口头语会去掉“嗯”“呃”等犹豫词。
- 每行字符数
- 对于 SRT 和 VTT，每行字符数用来拆分过长的字幕，默认 42，这是 Netflix 字幕规范对大多数拉丁字母语言采用的上限；可设置 20 到 80。
- 转写的部分
- 开始时间和结束时间可把处理范围限定在某一段，格式为秒（75）或分:秒（1:15）。
在线音频转文字的限制
- 每批录音数
- 20
- 每个音频或视频文件
- 95 MB
- 种语音语言加自动检测
- 33
- 文件和转写稿删除前的保留时间
- 30 分钟
如何让转写结果更准确
很多词错了或漏了
多数错误由背景噪音、离麦克风太远和多人同时说话造成。尽量靠近说话人录音，并检查语音语言是否正确。
转写结果的语言不对
自动检测在前 30 秒听到了音乐或其他语言。请自行选择语音语言后重新转写。
字幕太长，屏幕上读不完
把每行字符数降到 32–37，适合手机观看，每条字幕会拆成更短的行。
人名和专业术语拼写错误
生僻词对任何模型都很难。在 Word 或文本输出中搜索替换一次即可，它们通常全篇都错得一样。
音频转文字常见问题
音频转文字可以免费使用、无需注册吗？
可以。上传录音并点击转写即可，无需账号、试用或信用卡。文件会在处理后 30 分钟自动删除，请在转写完成后及时下载。
怎样的音频转文字工具更好用？
想公平比较，可以看它对你自己这类录音的准确率、支持的语言、输出格式，以及文件之后如何处理。这里支持 33 种语言加自动检测，提供六种输出（含字幕）、说话人标记和时间戳，文件 30 分钟后自动删除。
音频转文字支持哪些语言？
共 33 种，在语音语言中选择，包括英语、西班牙语、法语、德语、葡萄牙语、意大利语、俄语、阿拉伯语、土耳其语、印地语、孟加拉语、泰米尔语、泰卢固语、马拉地语、古吉拉特语、乌尔都语、日语、韩语、中文、印度尼西亚语、越南语、泰语、波兰语、乌克兰语、荷兰语、瑞典语、希腊语和希伯来语等。自动检测会根据前 30 秒为每个文件选定一种语言。
能根据视频的音频生成字幕吗？
可以。直接上传视频，在输出中选择 SRT 或 VTT，就能得到带时间轴的字幕文件，可导入 YouTube、视频编辑软件或 HTML5 播放器。之后如需更换字幕格式，请使用字幕格式转换。
3小时的录音怎么转文字？
文件上限为 95 MB，约相当于 1 小时 40 分钟的 128 kbps MP3。可以用开始时间和结束时间分段处理，或先缩小文件：用音频压缩把语音转成 64 kbps 单声道，上限内可放约 3.5 小时。
转写出的文字能翻译成英文吗？
不会，转写结果使用录音中所说的语言。建议先转写，再把文字粘贴到翻译服务中；翻译整理好的文字比直接从音频翻译效果更好，也方便你保留原文核对引述。
MP3转文字和视频转文字有区别吗？
区别只在于上传的文件。同一套语音识别既可处理 MP4 或 MOV 的音轨，也可处理 MP3 或 M4A。MP3转文字和M4A转文字是本工具针对这两种文件类型的预设页面。
“嗯”“呃”这类语气词会出现在文字稿里吗？
默认会保留，因为有时需要逐字记录，例如研究访谈。如果想得到更干净、便于阅读、引用或发布的文稿，请开启去除口头语。
全部音频转文字工具
选择对方要求的具体目标即可。下面每个页面都是同一个工具，只是默认设置不同。