要点速览
- 支持 MP4、MOV、WebM，单文件上限 50MB
- 不需要自己用工具提取音频，浏览器自动分离音轨
- 建议单条视频控制在 5 分钟以内
- 输出为纯文本，可直接用于剪辑脚本或二次创作
支持的视频格式与转写参数
| 项目 | 说明 |
|---|---|
| 支持格式 | MP4、MOV、WebM |
| 单文件上限 | 50MB |
| 建议时长 | 5 分钟以内 |
| 参考耗时 | 约 1 分钟 |
| 音轨处理 | 浏览器本地提取，画面数据不上传 |
| 输出方式 | 复制到剪贴板、导出 TXT |
| 需先转换 | AVI、MKV、FLV、WMV 需先转 MP4 |
视频转文字和音频转文字的关系
视频转文字本质上是"先取出音轨、再做语音识别"两步操作。拾文雀把这两步合并了：你上传的是视频文件，浏览器在本地完成音轨提取，把音频部分送去云端识别，最终返回文字。
这也是为什么视频的文件上限（50MB）比纯音频（25MB）更宽松：视频的画面数据不会上传，真正参与识别的只是提取出来的音频。
支持的格式与限制
| 项目 | 说明 |
|---|---|
| 支持格式 | MP4、MOV、WebM |
| 单文件上限 | 50MB |
| 建议时长 | 5 分钟以内 |
| 参考耗时 | 约 1 分钟 |
| 输出结果 | 纯文本，可复制或导出 TXT |
视频转文字的三个步骤
整个过程不需要安装 FFmpeg 之类的工具，也不需要先用剪辑软件把音频导出来。
- 在工作台选择「视频转文字」标签
- 把视频文件拖入上传区域或点击选择
- 等待音轨提取与识别完成，复制或下载文字
哪些视频适合转文字
- 口播类视频：单人对着镜头讲，语音连续、背景干净，识别效果最好
- 课程与讲座录像：讲解节奏稳定，转文字后按章节整理成讲义
- 访谈与对话：需要转文字后按发言人切分
- 会议录像：转文字后摘出结论与待办
- 带背景音乐的短视频：音乐与人声重叠，识别质量下降明显
转出来的文字能做什么
最常见的用途是做二次创作的底稿。把一条视频转成文字，你能看到它的结构：开头怎么抓人、中间怎么铺垫、结尾怎么收束。这种结构上的拆解，是光看视频很难体会到的。
另一个用途是做字幕。转写的文本按语义切分成短句后，配合时间轴就能生成字幕文件。如果你要处理的是已经带字幕的成品视频，思路又不一样，可以看字幕提取的做法。
如果素材是纯音频文件，交给语音转文字处理即可，输出格式一致。
视频转文字的几个常见误区
第一个误区是认为文件越小识别越快。实际上决定识别速度的主要是音轨时长，而不是文件体积。一个压缩得很小但时长很长的视频，处理时间不会比原文件短。
第二个误区是只关注画面质量。视频转文字处理的是声音，画面再清晰也帮不上忙。真正需要关注的是收音质量：有没有噪音、说话人离麦克风多远、有没有回声。
第三个误区是希望一次转完所有内容。长视频一次性处理，等待时间长、结果一大段、出错要重来。按章节切分之后，每一段都是独立完整的处理单元，整体体验反而更好。
- 决定速度的是音轨时长，不是文件体积
- 决定质量的是收音，不是画面
- 决定体验的是切分方式，不是一次处理完
转完之后还要做哪些事
视频转文字拿到的是"素材"，不是"成果"。从素材到可用成果，中间还有一道加工，这道工序决定了最终价值的高低。
第一件事是分段落。机器输出的是连续文本，没有分段。按语义切分之后，每一段有独立的主题，结构一眼就能看出来。分段的质量直接影响可读性，值得多花几分钟。
第二件事是校对关键信息。人名、机构名、产品名、数字、日期——这五类内容错一个，整句话的含义可能就变了。其余的虚词错漏，通读时顺手改掉即可。
第三件事是根据用途重新组织。要做字幕，就按时间轴切短句；要做笔记，就按知识点重排；要做二次创作，就把口语表达转成书面语。三种目的地，三种整理方式。
最后建议给整理好的文稿加上来源信息和日期。过半年再回看，知道它是从哪个视频来的，才能判断内容是否已经过时。
整理完成之后，建议把原视频的链接或文件名记在文稿开头。视频文件容易丢失或下架，但只要留下来源标识，之后还能回溯核对，这一点在需要引用他人内容时尤其重要。另外，如果同一主题积累了好几份文稿，建议在开头写一句两百字以内的摘要，以后翻阅时不用逐篇读完才知道讲的是什么。
剪辑软件与导出格式怎么配合
转文字之前的文件大多来自剪辑软件或平台下载。用剪映、必剪导出的 MP4 通常可以直接上传；Premiere 与 Final Cut 的项目文件不能识别，必须先导出成 MP4 或 MOV。
平台侧的视频，网页端一般不提供原片下载入口，优先用投稿后台的原始文件，或者用录屏保存。YouTube 可以在创作者后台的 Studio 里下载源文件，画质与音轨都完整。
- 剪映 / 必剪：导出 MP4，默认 H.264，直接可用
- Premiere / Final Cut：导出 MOV 或 MP4，画面参数保持默认
- 抖音 / B站 / 小红书 / 视频号：优先用投稿后台的原始文件
- YouTube：从创作者后台 Studio 下载源文件
常见问题
视频转文字需要先提取音频吗？
不需要。直接上传 MP4、MOV 或 WebM 文件，浏览器会在本地完成音轨提取，你不用安装任何额外工具。
多长的视频可以转？
单文件上限 50MB，建议时长控制在 5 分钟以内。更长的视频建议先按内容切分，避免等待时间过长。
带背景音乐的视频识别效果如何？
会明显下降。背景音乐与人声重叠时，音乐会被当成噪声干扰识别，错字比例上升，转完需要更仔细地校对。
转出来的文字可以直接做字幕吗？
内容可以，格式需要处理。字幕要求按时间轴切分成短行，需要对转写文本做断句并配合时间码，不能直接套用。