一句话：把音频（或视频，会自动取音轨）丢进语音转文字工具，知道是什么语言就别用「自动」、直接选对应语言，需要时间戳就导出 SRT，只要文字就导 TXT。

下面说怎么转得干净、避开常见坑。

先把语言选对

「自动检测」省事，但它是转写出乱码的头号原因。录音主要是中文就选中文；中英混杂（比如中文里夹英文术语）时，选占主导的那种语言通常比自动好——这等于告诉模型该往哪个方向猜，能少很多奇怪的替换。

音质好，文字才好

转写质量基本跟着音质走：

  • 单人、离麦近、清晰，几乎能逐字转准。
  • 多人抢话、回声、背景音乐会让准确率掉得很快。录差了事后没法补救，所以录的时候就讲究：安静环境、麦靠近、一次一个人说。
  • 长停顿和口头禅没关系，就是结果里会有「呃、那个」需要你删。

时间戳与字幕

要给视频配字幕、或想点一下跳到某个时刻，导出 SRT——每行带起止时间。只是做笔记或要可检索的文档，TXT 就够。多数工具（包括我们的）给句级时间戳，点一下就能跳到音频对应位置。

本地转写 vs 云端转写，怎么选

  • 本地（浏览器内）：音频不离开你的电脑。采访、医疗、法律、内部会议这类敏感内容首选。代价是速度看硬件，旧机器上会慢。
  • 云端：更快，长音频/嘈杂音频往往更准，但音频要发到服务端处理。

经验法则：敏感或短 → 本地；长、吵、或赶时间 → 云端。

快速流程

  1. 打开音频转文字，加音频或视频。
  2. 设置语言（知道就别选「自动」）。
  3. 转写后通读一遍，把人名、术语等模型猜错的改过来。
  4. 导出 SRT（配字幕）或 TXT（做笔记）。

花几分钟人工校一遍人名、数字、专业术语，文字稿才真的能用——没有哪个工具能把这些 100% 转对。

有录音要转？丢进音频转文字工具，导出你的文字稿。