音频转文字怎么做：免费方法与提高准确率技巧

转写引擎“听”到的和你不一样。它先把声波切成约 25 毫秒、相互重叠的帧，再把每一帧变成声谱图，也就是该时刻各个频率强弱的分布图。声学模型根据这张图判断出现了哪些语音：s 的嘶声、t 的爆破音，以及区分 ship 和 sheep 的元音形状。仅靠这一步，得到的只是一串可能的发音，而不是可读的文字。

语言模型负责修正其中的大部分问题。它知道真实句子里哪些词序更常见，所以当声音既可能是 recognize speech 也可能是 wreck a nice beach 时，上下文会帮助做出选择。早期系统把这两部分分开，并用有限的、朗读规范的材料训练，所以 2010 年代的听写软件一遇到口音和随意的口语就容易出错。

2022 年 9 月，OpenAI 发布了开源模型 Whisper，它用从网络收集的约 68 万小时多语言音频训练而成。它把声学和语言两部分合并成一个网络，读取 30 秒的窗口，直接输出带标点的文字。这类模型让带口音的语音、混杂的词汇和杂乱的真实录音变得好用得多，如今大多数免费转写服务（包括浏览器工具）运行的都是类似的模型。不过它们仍然是在“猜”，音频不清楚时猜得还很流畅，错误因此更难发现。

准确率通常用词错误率衡量：与认真整理的人工文字稿相比，被替换、漏掉或凭空多出的词所占的比例。5% 的错误率意味着每二十个词错一个，听起来不多，但错误往往集中在关键的词上，比如姓氏、产品编号或预算讨论中的数字。

下面的因素大致按影响从大到小排列。可以看到，几乎所有因素都在录音时就已决定，而不是在转写时。把手机从桌子中间挪到离说话人一臂之内，往往比事后调整任何设置都管用。

大多数录音可以原样上传。只有三种情况值得先处理：文件太长或太大，语音被静音或音乐淹没，或音量太小，需要把音量开到最大才听得清。开头有很长的静音不只是浪费时间，因为自动检测会根据前 30 秒判断语言，可能会依据环境噪声或片头音乐猜错。把录音裁剪到有语音的部分，或用开始时间跳过开头，可以避免这个问题。

很少需要转换格式。iPhone 语音备忘录是 M4A（AAC 音频），安卓录音机会生成 M4A、AAC 或 3GP，通话录音常为 AMR，这些都可以直接上传。把压缩过的文件转成 WAV 并不能恢复录制时已丢失的细节，MP3、WAV、FLAC 和 AAC 对比指南中有详细说明，所以只有在工具不支持某种格式时才需要转换。对于长达数小时的录音，请在自然的间隔处拆分，比如休息或换话题时，这样每一段都不超过上传限制，校对也更轻松。

根据后续用途选择输出格式。如果要阅读、引用或搜索文字稿，纯文本或 Word 最合适；Word 会保留段落、时间戳和说话人标记，方便编辑，PDF 则适合发送不希望被修改的固定版本。如果文字要显示在视频画面上，就需要字幕文件：SRT 或 VTT 会把语音拆成短字幕条，每条都有开始和结束时间，每行长度决定一屏能放多少字。每行 42 个字符是常见的广播标准。

SRT 和 VTT 包含的信息相同，只有细微差别。SRT 源自早期的 SubRip 程序，给每条字幕编号，时间用逗号（00:01:15,000）。WebVTT 是 W3C 为 HTML5 视频制定的格式，以 WEBVTT 头开始，时间用句点，并支持样式和定位。YouTube、Vimeo、Premiere Pro 和 DaVinci Resolve 都支持这两种格式。带逐词时间的 JSON 适合开发者做搜索、卡拉 OK 式高亮或自定义字幕排版。

上传之前，先看看你自己的设备已经能做什么。苹果在 iOS 18 的“语音备忘录”应用中加入了文字稿，所以用较新的 iPhone 录音后，可以直接在应用里看到文字。Pixel 手机上的 Google 录音机自 2019 年起就能在录音时转写，完全在设备上完成，还能区分说话人。在 Microsoft 365 中，网页版 Word 在听写旁有转写命令，可以上传 MP3、M4A、WAV 和 MP4 文件，每月有一定的上传分钟数额度。Google 文档的语音输入（在 Chrome 的“工具”菜单下）只能收听实时麦克风，无法读取已有文件。

会议平台是另一个来源。开启转写功能且你的套餐或组织允许时，Zoom、Microsoft Teams 和 Google Meet 可以生成通话的文字稿，Otter.ai 等助手也会加入会议做记录。这些方式适合你主持的通话，但各自只能在自己的应用内使用，录音需要所有人同意，并且只能导出自家的格式。对于已有的文件，比如旧采访、课堂录音或别人转发的语音留言，用基于文件的转写工具通常更简单。

浏览器工具可以补足内置功能的不足：任何设备上的任何文件、字幕格式输出，以及手机不支持的语言。在音频转文字页面添加文件，将语音语言保持为自动检测或自己选择语言，选择一种输出，需要的话打开时间戳或说话人标记。iPhone 的语音备忘录有专门的 M4A 转文字页面，播客或录音笔文件可用 MP3 转文字，两者使用同一个引擎。每个文件最大 95 MB，大约相当于一个半小时的 128 kbps MP3。更长的录音，可以用开始时间和结束时间分段转写，或先剪切录音。

请保持合理预期。在安静的房间里，单人使用不错的麦克风，通常能达到 90–95% 甚至更高的正确率，轻度修改后往往就可以发布。桌上的手机在嘈杂的餐厅里录音、时断时续的电话会议，或者大家互相打断的讨论，正确率会低得多，还会整句丢失。当声音差别明显且大家轮流发言时，说话人标记比较可靠，而对两个相似的声音，混淆的频率比你想的要高。

校对时请一边听音频，不要只看文字，因为现代模型即使写错了，句子也是通顺的。检查每一个专有名词，模型无法知道你的同事把名字拼成 Caitlin 还是 Katelyn。检查每一个数字：fifteen 和 fifty、日期、价格和百分比都很容易听错。留意同音词，如 their/there、affect/effect、complement/compliment，以及音频不清楚处模型自信地“编”出来的内容。时间戳能让这件事更快，因为可以直接跳到存疑那句话的位置。

录音往往比文档包含更多个人信息：声音、姓名、健康细节、薪资数字。上传之前，要清楚文件会去哪里、保留多久。在 UltKit，上传的文件在服务器上处理，处理完成 30 分钟后自动删除；没有账号，所以不会与你的姓名关联。Pixel 录音机可离线使用，音频不会离开手机。对于受保密协议、医疗或法律特权保护的内容，请先查看所在组织的政策，有些组织要求使用经过批准并签约的服务。

语言支持范围很广，但并不均衡。转写工具支持 33 种语言，包括英语、西班牙语、法语、德语、葡萄牙语、阿拉伯语、印地语、日语、韩语、中文和乌克兰语，训练数据最多的语言效果最好。自动检测每个文件只选一种语言。如果会议在两种语言之间切换，请分别转写各段，并手动设置语言。文字稿始终使用说话时的语言；翻译是之后对文字另行进行的一步。

转写失败大多只有几种原因，通常问题出在文件本身或某一项设置上，换一个服务并不能解决。如果录音质量差到你自己都听不清，机器同样会很吃力，这时手动转写关键段落，可能比修改一份很长的自动转写稿更快。