語音轉文字
上傳訪談、課堂錄音、會議或語音備忘錄，就能取得文字逐字稿。語音辨識會把說話內容寫成文字，自動加上標點，並可選擇加入時間碼與說話者標記，輸出成文件或影片字幕。
音訊轉文字
或將MP3, WAV, M4A … 檔案拖曳到這裡 ·
每個檔案最大 95 MB· 最多 20 個檔案· 30 分鐘後刪除
檔案會在我們的伺服器上處理，並於 30 分鐘後刪除。
超過此長度的字幕行會被拆開。42 是常見的廣播標準。
選填。可輸入秒數（例如 75）或分:秒（1:15）。留空表示從頭開始轉錄。
選填。格式與開始時間相同。留空表示轉錄到結尾。
使用方式
- 1
上傳音訊或影片
加入 MP3、M4A、WAV、AAC、FLAC、OGG、Opus、AMR 等音訊檔，或 MP4、MOV、MKV、WebM、AVI 影片。最多 20 個檔案，每個 95 MB。
- 2
選擇語言與輸出格式
語音語言預設為自動偵測。選擇輸出：純文字、Word、PDF、SRT 或 VTT 字幕，或含逐字時間的 JSON。
- 3
轉成文字並下載
按下轉錄；按鈕上也會顯示你選擇的輸出格式。開啟逐字稿，校對人名與數字後下載。
音訊轉文字也稱為轉錄，是把錄下的語音變成書面文字。上傳檔案，將語音語言保持自動偵測或自行選擇語言，選好輸出後按下轉錄。
語音轉文字：語音辨識如何運作
語音辨識會以短時間片段聆聽錄音，把每一段轉成頻率圖，再由訓練過的模型判斷哪些字詞最可能產生這段聲音。現代模型從大量已轉寫的語音中學習，處理不同聲音與口音的能力遠勝十年前的聽寫軟體。標點與大小寫是根據句子的走向預測；若只想要原始字詞，請關閉標點符號。
語言設定很重要。自動偵測會聆聽前 30 秒，之後整個檔案都使用同一種語言。如果錄音開頭是音樂、片頭曲或靜音，或中途切換語言，請自行選擇語音語言。清單涵蓋 33 種語言，從英文、西班牙文、阿拉伯文到印地文、泰米爾文、日文與烏克蘭文。
使用者的需求各異：用手機錄訪談的記者、有課堂錄音的學生、有會議匯出檔的團隊，或需要字幕的創作者。最常見的兩種檔案各有專頁：錄音機與 Podcast 檔案用 MP3 轉文字，iPhone 語音備忘錄用 M4A 轉文字。影片檔可直接使用，不必先擷取聲音。
逐字稿與字幕格式
| 輸出 | 內容 | 開啟方式 |
|---|---|---|
| 純文字（TXT） | 分段文字，可選擇加入時間戳記與說話者標示 | 任何文字編輯器、筆記 App 或電子郵件 |
| Word（DOCX） | 已排版、可直接編輯與分享的逐字稿 | Word、Google 文件、Pages、LibreOffice |
| 固定格式的逐字稿副本，適合存檔 | 任何 PDF 閱讀器或瀏覽器 | |
| 字幕（SRT） | 附編號與起訖時間的字幕 | YouTube、影片剪輯軟體、VLC |
| 網頁字幕（VTT） | WebVTT 字幕，HTML5 影片使用的 W3C 格式 | 網頁播放器、YouTube、課程平台 |
| JSON（逐字時間） | 每個字詞及其起訖時間 | 指令碼、搜尋索引、編輯工具 |
時間碼、說話者與其他逐字稿選項
- 時間戳記
- 時間戳記會在 TXT、Word 與 PDF 逐字稿的每個段落前加上時間，例如 [01:15]，方便你在錄音中找到對應位置。
- 說話者標示
- 說話者標示會以說話者 1、說話者 2 等標出誰在說話，適用於訪談、會議與 Podcast。之後可再把標示換成姓名。
- 標點與贅字
- 標點符號預設開啟。移除贅字會刪除「呃」「嗯」等遲疑詞。
- 每行字數
- 對 SRT 與 VTT，每行字數會拆分過長的字幕，預設為 42，這是 Netflix 字幕規範對多數拉丁字母語言採用的上限；可設定 20 到 80。
- 要轉錄的部分
- 開始時間與結束時間可將處理範圍限定在某一段，格式為秒數（75）或分:秒（1:15）。
線上語音轉文字的限制
- 每批錄音數
- 20
- 每個音訊或影片檔
- 95 MB
- 種語音語言加自動偵測
- 33
- 檔案與逐字稿刪除前的時間
- 30 分鐘
讓逐字稿更準確的方法
許多字詞錯誤或遺漏
背景噪音、離麥克風太遠與多人同時說話是造成大多數錯誤的原因。可能的話請靠近說話者錄音，並確認語音語言正確。
逐字稿的語言不對
自動偵測在前 30 秒聽到了音樂或其他語言。請自行選擇語音語言後重新轉錄。
字幕太長，螢幕上難以閱讀
把每行字數降到 32–37，適合手機觀看，每則字幕會拆成較短的行。
人名與專業術語拼錯
罕見字詞對任何模型都很難。在 Word 或文字輸出中搜尋並取代一次即可，它們通常整份都錯成同一種寫法。
語音轉文字常見問題
語音轉文字可以免費使用、不用註冊嗎？
可以。上傳錄音後按下轉錄即可，不需要帳號、試用或信用卡。檔案會在處理完成 30 分鐘後自動刪除，所以逐字稿完成後請立即下載。
語音轉文字工具的好壞差在哪裡？
要公平比較，可以看對你自己那類錄音的辨識準確度、支援的語言、輸出格式，以及檔案之後如何處理。這裡提供 33 種語言加自動偵測、包含字幕在內的六種輸出、說話者標示與時間戳記，並在 30 分鐘後自動刪除。
語音轉文字支援哪些語言？
共 33 種，在語音語言中選擇，包括英文、西班牙文、法文、德文、葡萄牙文、義大利文、俄文、阿拉伯文、土耳其文、印地文、孟加拉文、泰米爾文、泰盧固文、馬拉地文、古吉拉特文、烏爾都文、日文、韓文、中文、印尼文、越南文、泰文、波蘭文、烏克蘭文、荷蘭文、瑞典文、希臘文與希伯來文。自動偵測會根據每個檔案的前 30 秒選定一種語言。
可以用影片的聲音製作字幕嗎？
可以。直接上傳影片，在輸出中選擇 SRT 或 VTT，就會得到帶時間軸的字幕檔，可載入 YouTube、影片剪輯軟體或 HTML5 播放器。之後若要改變字幕格式，請使用字幕格式轉換。
3 小時的錄音要怎麼轉成逐字稿？
檔案上限為 95 MB，約等於 128 kbps MP3 的 1 小時 40 分鐘。可用開始時間與結束時間分段處理，或先縮小檔案：用音訊壓縮把語音轉成 64 kbps 單聲道，上限內約可容納 3.5 小時。
逐字稿可以翻譯成英文嗎？
不會，逐字稿使用錄音中說的語言。請先轉錄，再把文字貼到翻譯服務；翻譯乾淨的逐字稿比直接從音訊翻譯效果更好，也能保留原文以便核對引述。
MP3 轉文字和影片轉逐字稿有什麼不同？
差別只在你上傳的內容。MP4 或 MOV 的音軌與 MP3 或 M4A 使用相同的語音辨識。MP3 轉文字與 M4A 轉文字是此工具針對這些檔案類型的預設頁面。
逐字稿裡會出現「嗯」「呃」等贅詞嗎？
預設會保留，因為有時需要逐字紀錄，例如研究訪談。若要得到適合閱讀、引用或發布的較乾淨逐字稿，請開啟移除贅字。
所有音訊轉文字工具
請選擇對方要求的確切規格。下方每個頁面都是同一個工具，只是預設值不同。