音频怎么转文字：手打、自动字幕和 AI 三种方法
音频怎么转文字？比较手打、自带字幕和 AI 转写三种方法的耗时和费用，附我们样例的实测数据，以及新账号免费转写 30 分钟的用法。
Audio AI Studio阅读约 7 分钟
本文目录
音频怎么转文字？一共三条路：自己一句一句手打；让手机、电脑或视频平台自带的听写和自动字幕跟着听；或者把文件交给 AI 转写工具，它会标出说话人，给每个字配上时间。手打免费但很慢，自带字幕免费但粗糙，AI 转写几分钟就给你一份可以直接修改的文字稿。
为了看清差别有多大，我们用自己的音频转文字工具转写了页面上的 9 段样例录音，里面有播客、会议、讲座、客服电话、西班牙语采访和中文 vlog，由我们声音库里的声音朗读，再叠上真实的房间和街道环境声。英文的语速是每分钟 127 到 166 个词，中文 vlog 是每分钟 255 个字。按这个速度，一分钟的录音就比大多数人两三分钟能打出来的字还多。
先看结论：三种方法怎么选
| 方法 | 费用 | 你要花的时间 | 说话人和时间戳 | 适合 |
|---|---|---|---|---|
| 自己手打 | 免费 | 录音长度的好几倍 | 只有你自己加的 | 几分钟的录音，或者特别难听清的录音 |
| 自带听写和自动字幕 | 免费 | 听写和实时字幕要按原速放一遍 | 通常没有 | 一个人说话、要个大概的草稿 |
| AI 转写 | 按分钟用积分 | 几分钟，再通读一遍 | 都有，精确到每个字 | 会议、采访、讲座、视频字幕 |
如果只想大概知道说了什么，任何免费的办法都够用。如果要引用原话、核对人名、做字幕，或者要分清谁说了什么，就从 AI 文字稿开始，把时间花在核对上，而不是打字上。
手打到底要多久
手打就是放几秒、暂停、打字、再放。它不花钱，每个字都由你决定，但时间算下来很吓人。
我们的冲刺排期会议样例长 1 分 47 秒，四个说话人一共说了 268 个英文词。如果你每分钟打 40 个词，光打字就要 6.7 分钟，接近录音长度的 4 倍。中文也差不多：那段 57 秒的 vlog 有 241 个字，按每分钟打 60 个字算要 4 分钟。这还没算反复回放听不清的地方、分辨谁在说话和记时间。
如果一定要手打，这几个习惯最省时间：
- 把播放速度放慢到正常的四分之三左右，打字时就不用总停。
- 一次只听五到十秒，听不清就重放这一小段，别来回拖进度条。
- 打字时先用缩写记说话人，最后再统一替换成全名。
- 听不清的地方记下时间，比如 [听不清 03:12]，最后集中回头处理一次。
免费的自带字幕和听写
很多视频平台会给上传的视频自动生成字幕，大多数手机和电脑也有听写或实时字幕功能。它们不花钱，如果只有一个人、说得清楚，能给你一份可用的初稿。
依赖它们之前，先了解这些限制：
- 听写和实时字幕按原速听，一小时的录音就要放一小时。
- 大多数只输出一整段文字，不分说话人。
- 文字不一定好导出：有的只在屏幕上显示字幕，各平台的导出方式也不一样。
- 视频往往要先上传、处理完才有字幕，而私人录音你未必想放到公开平台上。
给自己录的语音备忘，这样常常就够了。四个人的会议如果没有说话人，你只能猜哪句是谁说的。
用 AI 把音频转成文字，一步一步来
AI 转写工具一次听完整个文件，写出每一个字，并判断每个说话人从哪里开始、到哪里结束。我们的音频转文字工具就是这样做的：
- 上传录音。 支持 MP3、WAV、M4A、AAC、FLAC、OGG 和 WEBM，每个文件最长 3 小时、最大 1 GB。开始之前会显示时长和要用的积分。
- 选语言，或者保持自动。 我们的样例不用手动选，英语、西班牙语和中文都被正确识别。第一分钟是音乐或静音，或者说话人口音很重时，再自己选。
- 保持"区分说话人"打开。 每段会标上说话人 1、说话人 2，以此类推。冲刺排期会议样例转出来正好是四个说话人，一人一个。
- 通读一遍，改人名。 点任何一个字，就从那里开始播放；给说话人改名，常出现的名字用查找替换。
- 导出。 要阅读就导出 TXT 和 DOCX，做视频就导出 SRT 和 VTT。
点任何一个字，音频就从那里开始播放；每段都写着说话人和开始时间。
要花多少积分
转写按开始的分钟计费，每分钟 2 积分，时长以文件为准。2 分 15 秒的讲座算 3 分钟，也就是 6 积分。按同样的算法，我们 9 段样例一共 11 分 19 秒，合计 30 积分，因为每个文件都会向上取整到整分钟。所以零碎的短录音，先拼成一个文件再上传更划算。
能免费把音频转成文字吗？
能，但有限度。手打和自带字幕完全免费，不限分钟，只要你有时间。
AI 转写方面，Audio AI Studio 的新账号验证邮箱后会得到 60 积分，30 天内有效。按每分钟 2 积分算，可以免费转写 30 分钟的音频，区分说话人和全部导出格式都包括在内。用完以后，500 积分的一次性积分包（9.99 美元）可以转写 250 分钟，约合每分钟 4 美分。套餐和积分包见价格页。
音频在视频里怎么办
转写工具接收的是音频文件，所以视频要先多一步。用视频提取音频打开它，选择保留原音轨：音轨原样复制出来，不重新编码；手机拍的视频大多会得到一个 M4A，可以直接交给转写工具。想要 MP3 的话，用 MP4 转 MP3。两个工具都在浏览器里运行，视频本身不会离开你的设备。
同一个 10 分钟的视频，原样取出音轨用 0.3 秒，重新编码成 MP3 用 7 秒。
录出好转写的音频
大部分转写错误，在录音时就埋下了。下面几点差别最大：
- 麦克风离嘴近一点。 大约一个手掌宽，比隔着半个房间用更好的麦克风强。
- 一次只让一个人说话。 几个人同时说话最难转写，也最难分说话人。请大家等别人说完再开口。
- 压低背景噪音。 风扇、键盘和车流声会盖住那些区分字词的轻辅音。
- 先试录一分钟。 录完戴耳机听一遍，再正式开始。
手边没有录音设备的话，免费的在线录音可以在浏览器里用任何麦克风录音，存成 MP3。每段录音下面都有"转成文字"按钮，一点就交给转写工具，不用再找文件、重新上传。
在线录音里每段录音下面的按钮：转成文字、克隆这个声音、剪切、全部拼接。
导出成哪种格式
| 格式 | 里面是什么 | 适合 |
|---|---|---|
| TXT | 纯文字，可以带说话人和时间 | 笔记、引用、搜索，贴到任何地方 |
| DOCX | Word 文档 | 加批注、修订后再改 |
| SRT | 带编号和起止时间的字幕 | 视频剪辑软件和大多数视频平台 |
| VTT | 时间相同的网页字幕 | 网页上的播放器和浏览器 |
字幕要短才好读。我们的 SRT 和 VTT 导出按语音节奏断行，英文每行最多 42 个字符，中文每行最多 16 个字，最多两行；有几个说话人时，每条字幕前面还会写上说话人。那段 29 秒的换盆教程，导出了 7 条字幕，没有一行超过 42 个字符。
SRT 导出：每条字幕有编号、起止时间，最多两行短句。
录音前先征得同意，转写还能方便更多人
录会议或通话之前，先告诉在场的每个人，征得他们同意。有些地方的法律要求私人谈话的每一方都同意才能录音，所以无论在哪里，先问一句都是稳妥的习惯。
文字稿也让更多人能用上你的音频。网页内容无障碍指南（WCAG 2.2）的成功准则 1.2.1 要求为预录的纯音频内容提供"呈现同等信息"的替代内容，准则 1.2.2 要求为同步媒体（比如视频）里的预录音频提供字幕（W3C WCAG 2.2，2026-10-29 查阅）。发布播客文字稿或视频字幕，两条都满足了。
常见问题
转写一小时的音频要多久？
手打的话要好几个小时：按每分钟 130 到 160 个英文词算，一小时的讲话大约有 7,800 到 9,600 个词。用 AI 转写，几分钟就能拿到文字稿，你的时间主要花在通读一遍上。
AI 能分清不同的说话人吗？
能。区分说话人默认打开，每段标为说话人 1、说话人 2，以此类推。改一次名字，所有段落一起更新。说话人只在同一个文件里区分，在你命名之前一直是匿名的。
能转写哪些语言？
语言会自动识别，也可以自己选。支持英语、中文、西班牙语等多种语言。如果一段录音在两种语言之间来回切换，选说得最多的那种，再仔细核对另一种语言的段落。
视频能转文字吗？
能，先多一步：用视频提取音频或 MP4 转 MP3 把声音取出来，再上传音频文件。
我的录音安全吗？
你的录音和文字稿只有你自己能看到，在你的资料库里保存 30 天。修改后的文字稿在你的浏览器里导出。
为什么文字稿会有错字？
少见的人名、几个人抢话、背景噪音和麦克风离得太远，是出错的主要原因。反复出现的名字用查找替换一次改好，拿不准的字点一下再听一遍。
