AI 语音转文字
上传或录音，得到带时间戳和说话人标签的转写稿，点击任一段落就能听到它是在哪一秒说的。
MP3、WAV、M4A 或 OGG · 最长 30 分钟
请上传你有权转写的录音。转写稿归你所有，音频处理后不保留。
点击任一段落即可听到对应位置。播放时，播放头所在的段落会高亮。你的转写稿就是这个样子。
01—使用方法
三步把语音转成文字
整个过程在浏览器里完成：不装听写软件，不装编辑器插件，不在应用之间复制粘贴。上传，稍等，阅读。转写稿不会出现在按钮下方，它会在独立页面打开，播放器在顶部，导出按钮在你预期的位置。
- 1
上传或录音
拖入最长三十分钟的 MP3、WAV、M4A 或 OGG，或者点击「录音」直接说。上传前就会显示时长，以及消耗积分或「今天这次免费」的提示。
- 2
转写
点击「开始转写」。语音转文字引擎听一遍，写下每个词和它的时间，并判断是谁在说。十分钟的录音通常一分钟内返回。
- 3
阅读、点击、导出
转写稿在独立页面打开，播放器在顶部。点击任一段落听它，搜索一句话，重命名说话人，然后下载纯文本、带时间戳的文本、SRT 或 VTT。
开始前需要什么
一段有人说话的录音，和一个账号。别的都不需要。免费额度是每天三次、每次最长十分钟，大多数采访、语音备忘和课程片段都够用。
02—基础概念
什么是语音转文字？
语音转文字（speech to text）是由软件把说话的音频转换成书面文字。现代的语音转文字会听完整段录音，写下每个词和它被说出的时刻，并区分不同的说话人，所以结果是一份带时间轴的转写稿，而不是一堵文字墙。
语音转文字 vs. 语音输入
手机或文档里的语音输入是实时的：你说，它打，它永远看不到完整的句子。对录音做转写则一次看到全部内容，所以能正确断句，能根据前后文判断一个词，并给每一段附上时间戳。这也是它能区分说话人的原因：先听完整段对话，再给每一段贴标签。
文字从哪里来
引擎处理的是麦克风录到的内容。背景音乐、风声和房间回声都会损失准确率。如果录音很糙，先用人声分离处理一遍，再转写干净的版本。
你需要哪一个？
想靠说话来打字，用手机或文字处理软件自带的语音输入。手里有录音、想把里面的话连同时间和说话人一起拿出来，用这个页面。
03—点击段落
点击任一段落，听它
大多数转写工具给你一块文字，让你自己在音频里拖来拖去核对某个词。这里，转写稿和播放器是一体的，在同一页，每一段都知道自己属于哪一秒。
转写稿跟着音频走
录音播放时，正在说的那一段会高亮，列表会把它保持在视野里。点击另一段，播放就跳过去。核对一个听着不对的词只要两秒，不用翻找。
先搜索，再听
输入一句话，转写稿会筛出包含它的段落并高亮匹配。点一下，你听到的就是那个时刻。
可信的时间戳
每段带着它开始的那一秒，取自音频本身而不是按语速估算，所以你写进节目笔记的时间点是准的。
说话人由你命名
两个人会被标为说话人 1 和说话人 2。改一次名字，转写稿和所有导出文件里的每一段都会更新。
04—你会得到
语音转文字会给你什么
一次转写，四个文件，全部来自同一组带时间的分段。
纯文本
在说话人停顿或换人的地方分段，保留语气词，转写稿听起来还是那个人。粘贴到笔记、文档或邮件里，或者直接交给文字转语音。
带时间戳的文本和字幕
同样的段落加上开始时间，或者导出为可以直接放到视频时间轴上的 SRT 和 VTT。
说话人标签
采访和通话回来时每一轮都标好了是谁说的。把说话人 1 改成真名，标签跟着走。
转写稿放在哪里
每次转写连同音频会在历史记录里保留三十天，你可以重新打开页面、再播放、之后再导出。上传的文件不会保存在其他任何地方，删掉的转写稿会从历史记录和存储中一起消失。
05—使用场景
人们都转写什么
凡是说过一次、需要被读很多次的内容，转写就有用武之地。下面是它最常做的六件事，以及时间戳和说话人标签分别带来了什么。
播客单集
为节目笔记摘引用，找到某个话题出现的那一分钟，给爱读不爱听的人发一份文字稿。
采访与通话
每个回答都有文字并标好说话人，需要核对引语时一键回到录音。
讲座与课程
把录下来的课变成带时间戳的笔记，学生可以回到讲解某个概念的那一分钟。
会议
带说话人的转写稿就是谁承诺了什么的记录。搜一个名字或一个日期，而不是重放一小时。
字幕
导出 SRT 或 VTT，视频就有了字幕，不用对着时钟打字。
用你自己的声音念的稿子
转写稿就是一份文稿。把它送去文字转语音，或者克隆你的声音，让这些话用你的声音再读一遍，不用重新拿起麦克风。
它做不到的事
它不会转写根本听不清的词，不做翻译，也不是实时字幕服务。它处理的是你已有的录音，单次最长三十分钟；更长的录音在自然停顿处分成两段分别转写。
06—对比
语音转文字 vs. 语音输入 vs. 会议助手
三类产品都叫「语音转文字」，解决的却是不同的问题。
| 语音转文字（本工具） | 语音输入 | 会议助手 | |
|---|---|---|---|
| 输入 | 你已有的录音 | 你实时的声音 | 它加入的实时通话 |
| 时间戳 | |||
| 说话人标签 | |||
| 点击段落即可听 | 有时 | ||
| 任意文件都能处理 | |||
| 用你的声音读回来 |
想靠说话打字，用语音输入。想让机器人进你的会议，用会议助手。手里有录音、想把话拿出来、音频一点就到，用这个页面。
07—最佳实践
拿到更准确的转写稿
引擎负责干活，但你喂给它什么，决定了之后要改多少个词。三个习惯覆盖了「改十分钟」和「改十秒钟」之间的大部分差距。
最大的一项改进
噪音。背后有车流、音乐或风扇的录音，会丢掉干净录音能留住的词。先把糙音频过一遍人声分离，大约一分钟，转写稿明显更干净。
一支麦克风，离得近
四个人中间放一部手机录到的是房间，不是人。近比响重要，每人一支麦克风比中间一支好麦克风更好。
让说话人说完
同时说话是任何转写引擎最难的情况。轮流说话的录音回来很干净；争得激烈的讨论，凡是两个声音落在同一秒的地方都要再看一眼。
事后搜名字
生僻的名字和产品术语是转写稿最容易出错的地方。转完以后搜一下，在文档里改一次。
08—常见问题
常见问题
语音转文字工具免费吗？
每个登录账号每天有三次免费转写，每次最长十分钟，所有导出格式都可用。付费套餐取消每日限制、单个文件最长三十分钟，按分钟扣积分。费率见定价页。
需要账号吗？
需要。转写稿连同音频保存在你的历史记录里方便回看，免费额度按账号计算。
支持哪些语言？
大多数常用语言的录音都会以原语言转写。语言自动检测，不需要你设置。
会标注说话人吗？
会。每一轮都会归到一个说话人，你可以把说话人 1、说话人 2 改成真名。单人录音不显示标签。
支持哪些格式和时长？
MP3、WAV、M4A 和 OGG，单个文件最大 50 MB、最长三十分钟。导出格式为纯文本、带时间戳的文本、SRT 和 VTT。
准确率如何？
一两个人的清晰录音，接近一个认真听写的人写下的结果。背景噪音、麦克风太远、多人抢话会降低准确率。先清理音频比什么都管用，转完后搜一遍名字能解决剩下的大部分。
能转写视频吗？
暂时不能直接处理。先把视频的音轨导出为 MP3 或 WAV 上传，再用 SRT 导出给视频加字幕。
这和手机上的语音转文字一样吗？
不一样。手机上的语音转文字在你说话时打字，只能实时用。这里转写的是你已有的录音，带时间戳和说话人标签，还能点击任一段落听它。
09—读回来
转写稿就是一份文稿
文字落在页面上以后，AnyVoice 的其他工具可以把它再说一遍。