带说话人标记的转写

音频转文字

拖入一段采访、讲座、播客或视频，就能得到带时间戳和说话人标记的干净文字稿，外加 SRT 和 VTT 字幕文件。单个文件最长 30 分钟，大约等一分钟，每 5 分钟 1 积分。

说话人标记和时间戳
可下载 TXT、SRT 和 VTT
支持 MP3、M4A、WAV、MP4、MOV 等格式

拖入音频或视频文件，或点击选择MP3、M4A、WAV、MP4、MOV、WEBM · 最长 30 分钟说话语言

每 5 分钟音频 1 积分，失败自动退款。

文件会先在浏览器里转成语音质量的音频再上传；视频画面不会离开你的设备。

转写结果

选择一个文件，获取带时间戳和说话人标记的文字稿。

怎么把音频转文字

01
上传录音
音频或视频，最长 30 分钟。浏览器会先提取并压缩人声，所以即使是很大的视频，也几秒就能传完。
02
选择语言或保持自动
自动识别支持 18 种语言以及中英混说。短片段或专业术语多时，手动选择语言更准。
03
阅读、复制或下载
点任意一行，音频就跳到那里。可以下载带说话人的 TXT、给剪辑软件用的 SRT，或给网页播放器用的 VTT。

知道“谁说了什么”的音频转文字

只有文字的转写稿只解决了一半问题。采访完要写稿，你得知道哪些话是受访者说的；剪播客，你需要时间戳来找到那一刻；要发到 B 站或 YouTube，你需要能对上的字幕。这个音频转文字工具一次上传就给你三样东西：文字、每一行开始的时间，以及区分主持人和嘉宾的说话人标记。

在底层，录音会先在你的浏览器里转成语音质量的音频——单声道、16 kHz——这正是语音识别需要的全部信息，体积只有原文件的零头。一小时的视频，在离开你的电脑之前可能就只剩几十 MB，视频画面本身从不上传。超过大约八分钟的录音，会在安静的地方切开，而不是切在字中间，分段转写后再按正确的时间戳拼回去。

MP3 转文字、视频转文字、语音备忘录转笔记

浏览器能播放的格式都能当输入：音频有 MP3、iPhone 语音备忘录的 M4A、WAV、AAC、OGG 和 FLAC；视频有 MP4、MOV 和 WEBM。这基本覆盖了会议录音笔、手机录音 App、腾讯会议和 Zoom 的录制文件、相机素材和录屏。MP3 转文字和其他格式价格一样——每 5 分钟音频 1 积分——30 分钟的采访 6 积分，三分钟的语音备忘录 1 积分。

说话人标记及其局限

识别器会捕捉声音的变化，给每一段标上 S1、S2 等标签，确认谁是谁之后在编辑器里改名即可。说话人区分在大家轮流发言时效果最好；大量抢话可能会把两个人合并成一个标签。被切成多段的文件，每段的标签会分开保留（S1、S1·2），这样跨段时不会悄悄把人标错——用查找替换就能轻松整理。

同一次上传，还有字幕

每次音频转文字都会同时生成 SRT 和 VTT 文件。长句会被拆成便于阅读的字幕长度，每一行都和语音对齐，可以直接导入剪映、Premiere Pro、达芬奇、B 站或在线课程平台。如果你只是要给一段短视频配字幕，这也是最快、最可靠的字幕生成方式，因为发布前你能先把文字稿读一遍。

要的是歌词而不是说话？歌词提取专门针对歌声优化，并能导出同步的 LRC 文件。想把文字稿变成另一个声音或另一种语言的新配音，可以用AI配音生成器或AI配音翻译。

拿一段访谈试试

这段双人对话由我们的AI配音生成器配音，再用本页的音频转文字工具转写。下表是未经修改的输出。

Small Studio Talks——25 秒片段

两位说话人，录成一个单声道文件。

这段样例的真实音频转文字结果

说话人标记和开始时间均为原样返回。像这样清晰的语音通常一字不差；嘈杂的录音需要更多校对。

开始	说话人	转写内容（英文原文）
0:00	S1	Welcome back to Small Studio Talks. Today I am joined by a producer who records full albums in a spare bedroom.
0:07	S2	Thanks for having me. Honestly, the bedroom part is less glamorous than it sounds. Most of my budget went into blankets.
0:14	S1	Blankets? Not a better microphone?
0:17	S2	A great microphone in an echoey room still sounds like an echoey room. Treat the room first, then upgrade the gear.

导出格式及用途

文件	内容	用在
TXT	带 [时间] 戳的文字稿，说话人变化处标注名字	文档、笔记、文章、研究、节目简介
SRT	编号字幕块，带开始 → 结束时间	剪映、B 站、YouTube、Premiere Pro、达芬奇
VTT	带说话人标签的网页字幕	HTML5 播放器、课程平台

谁在用音频转文字

记者和研究者

把采访变成可搜索的引语，说话人标记让引用出处一目了然。

播客主

写节目简介，按时间戳找出适合剪成短视频的片段，发布无障碍文字稿。

学生

转写录下来的讲座和研讨课，以后搜索笔记，不用来回拖进度条。

视频创作者

拿到已经对好时间的 SRT 字幕，在剪辑软件里调样式就行。

团队

把会议录音转成文字，整理纪要、待办，给没参会的人看。

音乐人和制作人

转写灵感语音备忘录和录音时的口头笔记；演唱的歌词请用歌词提取。

让转写结果更干净

麦克风离说话人近一点；距离比背景音乐更影响准确率。
短片段、口音重或术语多时，手动选择语言。
需要可靠的说话人标记，就尽量避免大家同时说话。
电话录音如果 App 支持分轨，就把双方录成两条轨道，分别转写。
上传前剪掉长时间的静音和片头音乐，省积分。
发布前校对人名和数字——这是任何音频转文字工具最常出错的地方。

限制、隐私与退款

时长和大小: 每个文件最长 30 分钟。很长的文件在浏览器里需要更多内存；在手机上，超过 20 分钟的文件建议先拆开。
语言: 共 18 种：中文、英语、日语、韩语、西班牙语、法语、德语、意大利语、葡萄牙语、阿拉伯语、印地语、俄语、土耳其语、印尼语、波兰语、荷兰语、泰语和越南语——也可以保持自动识别。
隐私: 只上传压缩后的音频；视频留在你的设备上。文字稿只在你的账号里可见。
失败的任务: 转写失败会自动退回积分；任务中途被打断，回到页面时会自动继续。