语音转文字 - 90+ 语言转写,含词级时间戳
AI 语音转文字:90+ 语言自动识别、最多 32 个说话人区分、词级时间戳,音视频文件直接出文字稿和 SRT 字幕。会议、访谈、播客素材整理利器。
最近更新: 2026-08-23
不只是"转成文字"
语音转文字(Speech to Text)把音频或视频变成文字稿。这里的转写引擎多做了三件事:
- 90+ 语言自动识别——不用手动选语言,混合语言内容也能处理
- 说话人区分——最多 32 人,每个词标注是谁说的,访谈直接出对话稿
- 词级时间戳——每个词的精确起止时间,一键导出 SRT 字幕
真实转写效果
用首页那条中文口播样例实测,以下是未经编辑的原始输出:
识别语言: zho (置信度 98.3%)
文本: 三步做出爆款口播，念帖文案，选择音色，一键到处带字幕的成品。
词级时间戳(前 6 词):
三 [0.20s→0.44s] 步 [0.44s→0.68s] 做 [0.68s→0.88s]
出 [0.88s→1.06s] 爆 [1.06s→1.28s] 款 [1.28s→1.40s]
坦白说:这条输出里"粘贴"被听成"念帖"、"导出"被听成"到处"——同音词仍是 ASR 的边界。这正是我们坚持展示真实输出的原因:你可以在工作台里直接编辑修正,时间戳不受影响。
典型用途
- 字幕制作:视频转写 → 下载 SRT → 进剪辑软件
- 访谈与会议整理:说话人区分直接输出"谁说了什么"
- 播客文字版:一期节目一键出文稿,利于 SEO 收录
- 配音质检:生成的配音回转写,核对是否照稿朗读
使用方式
进入语音工作台 → 转写,上传音频或视频(最大 200MB),自动开启说话人区分。完成后在生成记录里复制全文或下载 SRT。
已有文字稿、只想要精确时间轴?用音频工具页的强制对齐,更快更准。