如何把音频和视频转成文字：一套实用工作流程
把录音转成文字听起来只是一个操作，但一份真正好用的转写稿要经过三个不同阶段：准备清晰的素材、运行语音识别、对照回放校对结果。之后该导出什么格式，取决于你需要的是便于阅读的笔记、字幕，还是供其他工具使用的数据。
先想清楚转写稿的用途
处理文件之前，先确定“完成”意味着什么。内部会议记录可能只需要通顺的段落和可搜索的时间戳；要发表的访谈则必须仔细核对人名和引语；字幕需要紧凑、与视频节奏一致的定时字幕条；研究用的转写稿可能需要统一的说话人标签，以及能稳定定位到每个回答的参照。
这个决定会影响需要投入多少校对工作。自动语音识别生成的是一份质量不错的初稿，而不是经过认证的记录。如果转写稿要用来支撑重要决策，或会被公开引用，请预留时间把关键段落与录音逐一比对。
选择最好的素材
尽可能使用原始录音。反复导出和过度压缩会损失语音细节，却不会让模型更容易听懂。无损的 WAV 或 FLAC 文件能保留更多细节；MP3 和 M4A 则使用方便，只要人声清晰，通常完全够用。
麦克风的摆放位置往往比文件格式更重要。贴近说话人、回声较少的录音，效果通常好于在嘈杂房间另一端录下的高码率音频。避免使用会把细小噪声和人声一起放大的处理。如果某个声道没有声音或已损坏，请在转写前选择包含语音的那个声道。
了解视频是如何处理的
转写系统需要的是音轨，而不是画面。在 Media2Text 支持的工作流程中，浏览器会读取视频并在本地准备好音频，只有准备好的音频会被发送去转写，原始视频始终保留在你的设备上。对于时长较长或分辨率较高的视频，这能大幅减少需要传输的数据量。
这种方式也有明确的边界：语音识别无法解释无声的动作，无法读出每一张字幕卡，也不会生成画面描述。如果视频没有音轨，就没有可转写的语音。因此，无障碍工作可能既需要语音字幕，也需要另外撰写对重要视觉信息的描述。
合理设置语言和说话人
对于大多数正常长度的录音，自动语言检测都很好用；但如果片段很短，或者开头是人名、音乐或静音，指定语言会更有帮助。对于多语种录音，要仔细检查语言切换的地方：即使模型支持这两种语言，也可能在拼写或标点上前后不一致。
说话人分离（diarization）回答的是“哪个声音在什么时候说话”，它并不知道说话人的真实身份。系统通常先使用“说话人 1”“说话人 2”这样的通用标签。请在确认声音之后再重新命名。对话重叠、发言很短、声音相近以及嘈杂的电话音频，都可能导致标签被合并或拆分。
边听回放边校对
先通读一遍理解大意，再逐字修改标点。如果某句话读不通，就用它的时间戳去听那一段。要特别留意专有名词、产品名称、缩写、日期、数字、货币、否定词以及日常用语之外的术语。这类错误很容易被忽略，因为错误的词在语法上往往依然说得通。
如果有多位说话人，请核对开头几轮发言以及每一处声音重叠的地方。搜索功能可以加快重复性修改：如果某个公司名称通篇都拼错了，在确认每个匹配项都指同一个词之后，可以使用查找和替换。
质量检查：即使转写稿读起来很通顺，也要听一听开头、中间一段和结尾。这样可以发现时间漂移、录音条件的变化以及结尾缺失的词。
选择 TXT、SRT 还是 VTT
TXT：便于阅读、通用性强的文本
纯文本适合做笔记、摘录引语、搜索、归档以及导入写作工具，是很可靠的选择。它可以包含说话人姓名和便于阅读的时间戳，但不提供标准化的定时字幕结构。
SRT：兼容性最广的字幕
SubRip（SRT）以编号字幕条的形式保存，每条都有开始和结束时间。许多视频编辑软件和发布平台都支持它。SRT 刻意保持简单，因此用文本编辑器就能轻松查看或修改。
VTT：用于网页视频
WebVTT（VTT）专为网页上的定时文本设计，支持额外的字幕条定位和元数据功能。对于 HTML 视频播放器以及明确要求 VTT 文件的平台，它是自然的选择。
主要参考资料：设计发布流程时，可查阅 W3C WebVTT 规范和 W3C 字幕指南。
逐字稿还是精简稿：确定文本要保留到什么程度
转写稿的风格有多种：完全逐字稿会保留每一个“嗯”、说错重来和重复；精简逐字稿会去掉口头禅，但保留说话人的原话；还有为发表而轻度编辑过的文本。语音识别的输出通常最接近精简逐字稿。如果你的工作依赖于停顿、笑声或话语重叠，例如话语分析或法律记录，请预留时间边听边补充。对于笔记、文章和大多数研究来说，精简逐字稿是实用的默认选择。无论选择哪种风格，都要在整个项目中保持一致。
TXT、SRT 和 VTT 之外的导出格式
纯文本和字幕能满足很多需求，但其他格式可以为后续工作省下不少功夫：
- DOCX 和 PDF 方便分享给审阅者、编辑或导师，让他们在纸面上或文字处理软件中批注。
- Markdown 能让标题和说话人姓名在笔记应用、知识库和静态网站中保持清晰易读。
- CSV 和 TSV 把每个片段、说话人和时间戳各放一行，可直接用于电子表格或质性研究中的编码。
- JSON 保留完整的结构，适合想用自己的脚本处理转写稿的开发者。
Media2Text 可以从同一份转写稿导出全部九种格式，因此你可以导出 DOCX 用于审阅、导出 SRT 用于发布，而无需转写两次。
快速解决常见问题
背景音乐或噪声
伴有音乐的语音更难识别，歌词也可能出现在转写稿里。请边听回放边校对这些段落；如果录音由你掌控，可以使用不含背景音乐的干净人声音轨。
语言检测错误
片段很短，或者录音以音乐、静音或另一种语言的问候开头，都可能干扰语言检测。请指定语言后重新运行。
说话人被合并或拆分
在校对时重命名和合并说话人，并检查每一处重叠。下次如果为每位参与者单独录制麦克风音轨，会轻松很多。
结尾缺词
听一听最后一分钟。在句子中途突然停止或快速淡出的录音，可能会丢失最后几个词。
一个实际案例
假设有一场 50 分钟的网络研讨会录像，有一位主持人和两位嘉宾。团队想要一篇博客回顾、一句用于社交媒体的引语，以及回放视频的字幕。他们只把最终录像转写一次，为三位说话人重新命名，用查找和替换修正产品名称，并核对了准备引用的两段话。基于这一份校对好的转写稿，他们为撰写回顾的同事导出 DOCX，复制核对过的引语用于社交媒体，再为回放导出 SRT。由于所有输出都来自同一份修正后的文本，一处修改就能处处生效，也没人需要把研讨会再转写一遍。
校对需要多长时间？
识别本身通常几分钟内就能完成。校对时间则取决于素材和用途。一段清晰的双人访谈，如果只需核对几句引语，可能只需录音时长的一小部分；一场准备发表、背景嘈杂的圆桌讨论，校对时间可能与录音一样长。截止日期前先估算一下：听两分钟最难的部分，数一数需要改几处，再按比例推算。
转写稿不只用来做字幕
工作区还支持 AI 摘要、关联原文的思维导图，以及保留原文轨道的翻译。请参阅摘要、思维导图与翻译指南，选择合适的输出，并对照录音进行检查。
负责任地处理录音
语音录音可能包含个人数据、机密信息，或者受同意相关法律约束的对话。请确认你有权录制和处理它。限制转写稿的接收范围，删除不再需要的副本，并避免把敏感信息放进公开的字幕文件。
在浏览器端准备视频可以减少发送到服务的媒体数据，但准备好的音频仍然需要经过处理才能转写。上传机密内容之前，请查看本服务的隐私政策以及你所在组织的要求。
一份可重复使用的检查清单
- 明确交付物是笔记、逐字转写稿、字幕还是研究数据。
- 选择能找到的最清晰的原始音频或视频文件。
- 确认语音清晰可闻，并且你有权处理它。
- 当自动检测可能出现歧义时，指定语言。
- 运行转写，并借助带时间戳的回放校对关键段落。
- 修正人名、数字、专业术语和说话人标签。
- 导出 TXT 用于阅读，导出 SRT 以获得最广泛的字幕兼容性，导出 VTT 用于网页视频。
- 根据敏感程度保存或删除录音和转写稿。
把下一段录音变成有用的文字
Media2Text 把上传、带时间戳的回放、转写稿编辑、说话人校对和导出整合在一个工作区中。你可以从音频文件开始，或者了解视频转文字流程如何让原始视频保留在你的设备上。
开始转写 →