語音轉文字教學：免費方法與提高準確度技巧 | UltKit

轉錄引擎聽語音的方式和你不同。它先把聲波切成約 25 毫秒、彼此重疊的音框,再把每個音框轉成頻譜圖,也就是標示該瞬間哪些頻率較響的圖。聲學模型會根據這張圖推測出現了哪些語音:s 的嘶聲、t 的爆破音,以及區分 ship 和 sheep 的母音形狀。光靠這一步,得到的只是一串可能的聲音,還不是可讀的文字。

語言模型負責修正大部分問題。它知道真實句子中哪些詞序比較常見,所以當聲音可能是 recognize speech 或 wreck a nice beach 時,就由上下文決定取捨。早期系統把這兩部分分開,並以有限、朗讀整齊的素材訓練,這也是 2010 年代的聽寫軟體遇到口音和日常口語就容易出錯的原因。

2022 年 9 月,OpenAI 發布了 Whisper,這是一個以網路上蒐集的約 68 萬小時多語言音訊訓練的開放模型。它把聲學與語言兩部分整合成單一網路,讀取 30 秒的視窗,直接輸出帶標點的文字。這類模型讓口音、混合詞彙和雜亂的真實錄音變得實用許多,現今多數免費轉錄服務(包括瀏覽器工具)都採用類似技術。不過它們仍然是在猜測,而且音訊不清楚時會猜得很流暢,錯誤因此更難察覺。

準確度通常以字詞錯誤率衡量:與仔細的人工逐字稿相比,被替換、遺漏或憑空多出的字詞所占的比例。5% 的錯誤率代表每二十個字有一個錯誤,聽起來不多,但錯誤往往集中在重要的字上,例如姓氏、產品代碼或預算討論中的數字。

以下因素大致依影響程度由大到小排列。請注意,幾乎所有因素都是在錄音時就決定了,而不是轉錄時。把手機從桌子中央移到離說話者一臂之內,效果往往勝過事後能調整的任何設定。

多數錄音可以直接上傳。以下三種情況值得先處理:檔案太長或太大、語音被靜音或音樂淹沒,或音量低到必須把音量開到最大才聽得見。開頭有一長段靜音不只是浪費時間,因為自動偵測會根據前 30 秒判斷語言,可能被環境噪音或片頭音樂誤導。把錄音裁到有語音的部分,或設定開始時間跳過這段,就能避免這個問題。

很少需要轉換格式。iPhone 語音備忘錄是 M4A(AAC 音訊),Android 錄音程式會產生 M4A、AAC 或 3GP,通話錄音常是 AMR;這些都能直接上傳。把壓縮過的檔案轉成 WAV,並無法找回錄音時已被捨棄的細節,MP3、WAV、FLAC 與 AAC 比較指南有說明,所以只有在工具不接受該格式時才需要轉換。若錄音長達數小時,請在自然停頓處分段,例如休息時間或換話題時,讓每一段都不超過上傳上限,也更容易校對。

依後續用途選擇輸出格式。如果要閱讀、引用或搜尋逐字稿,選純文字或 Word 即可;Word 會保留段落、時間戳記和說話者標示,方便編輯,PDF 則適合寄出不希望被更動的固定版本。如果文字要顯示在影片畫面上,就需要字幕檔:SRT 或 VTT 會把語音切成短字幕,每段都有開始和結束時間,每行長度決定畫面能放多少字。每行 42 個字元是常見的廣播標準。

SRT 和 VTT 包含的資訊相同,只有些小差異。SRT 源自舊的 SubRip 程式,會為每段字幕編號,時間用逗號(00:01:15,000)。WebVTT 是 W3C 為 HTML5 影片制定的格式,以 WEBVTT 標頭開頭,時間用句點,並支援樣式與位置設定。YouTube、Vimeo、Premiere Pro 和 DaVinci Resolve 兩種都支援。含逐字時間的 JSON 則適合開發者製作搜尋、卡拉 OK 式標示或自訂字幕版面。

上傳任何檔案之前,先看看你自己的裝置已經能做什麼。Apple 在 iOS 18 的「語音備忘錄」App 加入了逐字稿,所以用新款 iPhone 錄的音可以直接在 App 內顯示文字。Pixel 手機上的 Google Recorder 自 2019 年起就能在錄音時轉錄,完全在裝置上運作,還能區分說話者。在 Microsoft 365 中,網頁版 Word 的聽寫旁有轉錄指令,可接受上傳的 MP3、M4A、WAV 和 MP4 檔案,每月有固定的上傳分鐘數額度。Google 文件的語音輸入(在 Chrome 的「工具」選單下)只能收聽即時麥克風,無法讀取現有檔案。

會議平台是另一個來源。開啟轉錄功能且方案或組織允許時,Zoom、Microsoft Teams 和 Google Meet 可以產生通話逐字稿,Otter.ai 之類的助理也會加入會議做筆記。這些對你主持的通話很方便,但各自只能在自己的 App 內使用,錄音需要所有人同意,匯出的格式也各不相同。如果你手上已有檔案,例如舊的訪談、課程錄音或別人轉傳的語音訊息,用以檔案為基礎的轉錄工具通常更簡單。

瀏覽器工具能補足內建功能做不到的部分:任何裝置上的任何檔案、字幕輸出,以及手機不支援的語言。在音訊轉文字頁面加入檔案,語音語言維持自動偵測或自行選擇語言,選擇輸出,需要時再開啟時間戳記或說話者標示。iPhone 的語音備忘錄有專屬的 M4A 轉文字頁面,Podcast 或錄音機檔案則有 MP3 轉文字;兩者使用相同的引擎。每個檔案最大 95 MB,約相當於一個半小時的 128 kbps MP3。更長的內容可用開始時間和結束時間分段轉錄,或先剪輯錄音。

請抱持務實的期待。單一說話者在安靜房間以不錯的麥克風錄音,通常準確率可達 90–95% 或更高,稍作編輯往往就能發布。手機放在熱鬧餐廳的桌上、斷斷續續的電話會議,或與談人互相打斷的座談,準確率可能低得多,甚至整句遺漏。說話者標示在聲音差異明顯、輪流發言時相當可靠,遇到兩個相似的聲音則比你想的更常搞混。

校對時請一邊開著音訊,不要只看文字,因為新型模型即使寫錯,句子也會很通順。每個專有名詞都要檢查,因為模型無從得知你的同事拼作 Caitlin 還是 Katelyn。每個數字也要檢查:fifteen 和 fifty、日期、價格與百分比都很容易聽錯。留意 their/there、affect/effect、complement/compliment 這類同音字,以及音訊不清楚處被自信填上的內容。時間戳記能讓校對更快,因為你可以直接跳到存疑那句話的位置。

錄音常比文件包含更多個人資訊:聲音、姓名、健康資料、薪資數字。上傳前,請先了解檔案會送到哪裡、保留多久。在 UltKit,上傳的檔案會在伺服器上處理,並於處理後 30 分鐘自動刪除;沒有帳號,所以不會與你的姓名連結。Pixel Recorder 可離線運作,音訊不會離開手機。若內容涉及保密協議或醫療、法律的保密特權,請先確認所屬組織的規定;有些組織要求使用經核准且簽約的服務。

語言支援廣泛但不均衡。轉錄工具涵蓋 33 種語言,包括英文、西班牙文、法文、德文、葡萄牙文、阿拉伯文、印地文、日文、韓文、中文和烏克蘭文,訓練資料最多的語言效果最好。自動偵測每個檔案只會選一種語言。如果會議在兩種語言之間切換,請分段轉錄,並手動指定各段的語言。逐字稿一律以說話的語言書寫;翻譯是之後針對文字另外進行的步驟。

逐字稿轉錄失敗，大多只是幾個常見原因造成的，解決方法通常在檔案本身或某個設定，而不是換另一個服務。如果音訊品質差到連你自己都聽得很吃力，機器同樣會很吃力，這時只針對重點段落手動打一份簡短的逐字稿，可能比修正一份很長的自動逐字稿更快。