用 AI 语音转文字：从录音到可用文稿与字幕
语音转文字用什么工具？本文按大陆直连与否整理讯飞听见、通义听悟、剪映、飞书妙记、Whisper、Descript 六款，先分清要文稿还是要 SRT 字幕文件，并给出从处理音源到导出字幕的五步流程，以及方言、多人区分说话人、长音频分段和录音授权要注意的地方。
结论先行：一小时的普通话录音，现在几分钟就能转成带时间戳的文字，视频也能自动生成对齐时间轴的字幕、导出 SRT 文件；音源清晰时初稿基本可用。仍要人做的是三件：核对人名、专有名词和数字；把逐字稿的断句、标点和口头禅理顺，变成能读的文字；字幕还要按屏幕宽度拆行、微调时间轴。录音糊了，换哪家工具都救不回来。
选工具看三条：一是输出形态——要一篇文稿、要带时间轴的字幕文件（SRT／VTT），还是要直接在剪辑里成片的字幕，对应的工具不同；二是难点场景：方言、中英混说、多人对话区分说话人，这几项各家差异最大，拿自己的真实录音试一段再定；三是数据去向，在线工具会把音频上传到服务商，隐私或涉密录音可以考虑在本机运行的开源模型。如果目标是开会出纪要和待办，直接看「AI 会议纪要」那一页。
能做这件事的工具
| 工具 | 选它的理由 | 免费额度 | 大陆直连 |
|---|---|---|---|
| 讯飞听见 ↗科大讯飞 | 讯飞的专业转写平台，录音、视频都能转，支持区分说话人，并可导出 SRT 字幕文件。 | 以官网为准 | ✓ 直连 |
| 通义听悟阿里巴巴 | 阿里出品，文件转写与实时记录都能做，支持区分发言人、方言识别和多语种翻译。 | 以官网为准 | ✓ 直连 |
| 剪映字节跳动 | 给视频加字幕最顺手：自动识别的字幕直接落在时间轴上，改完就能在剪辑里成片。 | 以官网为准 | ✓ 直连 |
| 飞书智能伙伴字节跳动 | 妙记可导入本地音视频文件转写，文字稿存成飞书文档，团队内分享和检索方便。 | 以官网为准 | ✓ 直连 |
| Whisper ↗OpenAI | OpenAI 开源的语音识别模型，可在自己电脑上离线跑、直接输出 SRT／VTT，适合隐私录音和批量转写。 | 开源免费（MIT 许可），本地运行不按时长计费，需自备电脑算力。 | 需海外网络 |
| DescriptDescript | 英文播客和口播视频后期常用：转写后改文字就能剪音视频，去口癖也在同一界面。 | 免费档每月 60 分钟媒体时长，导出为 720p 且带水印。 | 需海外网络 |
工具名链到本站入口页(官网地址、免费额度、登录方式随时复核);「需海外网络」只是客观说明其官方服务不面向中国大陆,本站不介绍任何绕过方式。
怎么做
- 先处理音源再转——视频先抽出音轨，多段录音按主题分开；背景音乐过响、多人同时说话的段落，能重录就重录。转写错误多半在这一步就定了，后期工具补不回来。
- 上传前设好语种和词表——选对普通话、粤语或中英混合等识别模式，把人名、品牌、术语、英文缩写加进热词或自定义词表（工具支持的话）；多人对话记得打开区分说话人。
- 转完先核高风险位置：数字、金额、日期、人名和专有名词，逐一对照原音回听。其余部分快速通读，只改影响意思的错字，不必逐字抠。
- 按用途整理——要文稿的，删口头禅和重复、补标点分段，可以让大模型改成书面语，但要对照原文防止它添内容；要字幕的，按每行字数拆句，检查时间轴有没有提前或拖后。
- 导出对应格式：字幕导出 SRT 或 VTT 再导入剪辑软件或视频平台，文稿导出 DOCX 或 TXT。几小时的长音频按章节切段处理、分段校对，出问题只重跑那一段。
常见坑
- 录别人说话要先告知并取得同意；把他人的课程、讲座、付费节目转成文字或字幕再公开发布，涉及著作权，需要授权，自用整理和公开发布是两回事。转写稿再经 AI 翻译、配音后发布的，按《人工智能生成合成内容标识办法》（2025 年 9 月 1 日起施行）在平台声明入口如实标注。
- 在线工具会把音频上传到服务商。涉及未公开商业信息、客户隐私、医疗或法律咨询的录音，先确认服务商的数据留存期限与是否用于模型训练，或改用在本机运行的开源模型。
- 方言、口音重、中英混说、多人抢话是准确率的塌陷区；一支麦收全场时，声线相近的人容易被合并成同一个说话人。这类段落里的数字和结论一律回听原音。
- 大模型「润色」转写稿时可能替听不清的地方补出原音里没有的话；本地模型在长静音、纯音乐段也偶尔会输出凭空的句子。发布或引用原话前，以原音为准。
常见问题
语音转文字有免费的工具吗？
有。多数在线工具给新用户或免费档一定转写时长，但额度按分钟计且经常调整，以官网当期规则为准。长期大量转写又不想按时长付费，可以在自己电脑上跑开源的 Whisper，代价是要一台性能够用的电脑和一点安装门槛。
视频怎么自动生成字幕并导出 SRT？
两条路：在剪辑软件里用自动识别字幕，改好后直接成片或单独导出字幕文件；或者把视频传到转写工具，导出带时间轴的 SRT。SRT 是通用的纯文本字幕格式，主流剪辑软件和视频平台都能导入，导入后再统一调字体和样式。
方言和多人对话能转准吗？
部分工具支持粤语等方言和说话人区分，但准确率明显低于安静环境下的单人普通话。多人场景每人一支麦最稳，一支麦录全场时容易认错人。先拿自己的真实录音试 5 分钟，比看宣传的准确率数字可靠。
几个小时的长音频怎么处理？
先看工具的单文件时长和大小上限，超了就按章节或每 30～60 分钟切段上传，分段也方便分段校对。转完可以让大模型做分段摘要快速定位重点，但引用原话时要回到转写原文和原音核对。
相关新闻
- 微软发布 VibeVoice-ASR-Streaming-7B 流式语音识别模型2026-09-02