語音轉文字 - 90+ 語言轉寫，含詞級時間戳
語音轉文字線上工具：90+ 語言自動識別、最多 32 位說話人區分、詞級時間戳，音影片直接出文字稿和 SRT 字幕，會議、訪談、播客整理都適用。
最近更新: 2026-10-18
語音轉文字，不只是「轉成文字」
語音轉文字（Speech to Text）把音訊或影片裡說的話變成一份可以編輯、可以搜尋的文字稿。聲匠的語音轉文字在「聽寫」之外多做了三件事：
- 90+ 語言自動識別——不用手動選語言，混合語言內容也能處理
- 說話人區分——最多 32 人，每個詞標註是誰說的，訪談直接出對話稿
- 詞級時間戳——每個詞的精確起止時間，一鍵匯出 SRT 字幕
這三樣是一次上傳同時得到的，不需要分三次操作。
真實轉寫效果
用首頁那條中文口播樣例實測，以下是未經編輯的原始輸出：
課程錄音裡的數字和術語，是轉寫準確率最直接的試金石：
識別語言: zho (置信度 98.3%)
文本: 三步做出爆款口播，念帖文案，選擇音色，一鍵到處帶字幕的成品。
詞級時間戳(前 6 詞):
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]
坦白說：這條輸出裡「貼上」被聽成「念帖」、「匯出」被聽成「到處」——同音詞仍是語音識別的邊界，任何引擎都繞不開。這正是我們堅持展示真實輸出的原因：你可以在工作臺裡直接編輯修正，時間戳不受影響。
所以合理的預期是：大部分字一次就對，同音詞、人名和專業術語需要你過一遍眼。
三步完成語音轉文字
- 進入語音工作臺 → 轉寫，上傳音訊或影片，單個檔案最大 200MB。
- 不用選語言，系統自動識別；說話人區分自動開啟，不用任何配置。
- 轉寫完成後在生成記錄裡通讀一遍，改掉錯字，再複製全文或下載 SRT。
第 3 步有個順序要記住：先改文字，再匯出。改字不會挪動那個詞的時間戳，所以文字稿和字幕只需要校對一遍。
典型用途
- 字幕製作：影片轉寫 → 下載 SRT → 進剪輯軟體。完整的字幕流程見字幕生成器。
- 訪談與會議整理：說話人區分直接輸出「誰說了什麼」，多人會議看會議錄音轉文字。
- 播客文字版：一期節目一鍵出文稿，利於搜尋引擎收錄。
- 影片改寫成圖文：搜尋引擎聽不到影片裡的話，文字稿就是一篇文章的初稿。
- 配音質檢：生成的配音迴轉寫，核對是否照稿朗讀。
按檔案型別找更具體的說明：音訊檔案看 MP3 轉文字，影片檔案看 MP4 轉文字，YouTube 影片看 YouTube 轉文字。
語音轉文字、強制對齊、人工聽寫怎麼選
| 你手上有什麼 | 該用什麼 | 為什麼 |
|---|---|---|
| 只有錄音，沒有文字 | 語音轉文字 | 一次上傳拿到文字稿、詞級時間戳和 SRT |
| 已有準確講稿，只缺時間軸 | 強制對齊 | 文字已經是對的，只需把每個詞對到時間上，更快更準 |
| 要逐字準確的正式記錄 | 語音轉文字 + 人工校對 | 機器出初稿，人只改同音詞、專有名詞和標點 |
純人工聽寫最慢，一小時錄音要反覆暫停、回放。更省力的分工是讓機器先跑一遍，人只做校對。
讓轉寫更準的幾個習慣
- 離麥克風近一點：關掉風扇、空調這類持續噪音，背景越乾淨，錯字越少。
- 多人對話一人一支麥克風：說話人區分會更穩，搶話的片段也更好分。
- 優先校對專有名詞：人名、品牌名、術語最容易被同音詞替換，先看這些。
- 影片先定剪再轉寫：轉寫後再剪影片，SRT 時間軸會和新畫面錯位，只能重來。
常見問題
語音轉文字需要先選擇語言嗎？ 不需要。90+ 語言自動識別，不用手動選語種，混合語言的內容也能處理。
能分清錄音裡是誰在說話嗎？ 能。說話人區分預設開啟，最多 32 人，每個詞都標註是誰說的，訪談和會議錄音轉寫後直接就是對話稿。
轉寫結果有錯字怎麼辦？ 同音詞是語音識別共同的邊界，本頁的真實樣例裡就有「貼上」被聽成「念帖」。在工作臺裡直接改文字即可，詞級時間戳不受影響，改完再匯出 SRT 字幕。
語音轉文字怎麼收費？ 每個檔案 20 點數，單個檔案最大 200MB，轉寫失敗自動退回點數。¥29.90 的體驗包有 150 點數，夠轉 7 個檔案，點數不過期。
開始轉寫
費用： 每個檔案 20 點數（單次 ≤200MB），失敗自動退回。¥29.90 的體驗包有 150 點數，夠轉 7 個檔案，點數不過期。
把手上最急著整理的那段錄音傳上來，拿回一份帶詞級時間戳、可以直接改的語音轉文字結果。