要点速览
- 支持 MP3、WAV、M4A、OGG，单文件最大 25MB
- 25MB 约对应 20 到 30 分钟的常规码率音频
- 播客、访谈、语音备忘、音频素材都适用
- 不需要注册，浏览器打开即可上传
支持的音频格式与转写参数
| 项目 | 说明 |
|---|---|
| 支持格式 | MP3、WAV、M4A、OGG |
| 单文件上限 | 25MB |
| 参考耗时 | 约 30 秒 |
| 常见来源 | 手机录音、录音笔、微信语音导出、播客 |
| 输出方式 | 复制到剪贴板、导出 TXT |
| FLAC 文件 | 上传框可选，建议另存为 MP3 或 M4A 后再传 |
| 需先转换 | AMR、SILK、WMA、AAC 需先转 MP3 或 M4A |
音频转文字和录音转文字有什么不同
两者底层用的是同一套语音识别能力，差别主要在素材来源和使用目的。录音转文字面对的是"记录型"素材，比如会议、访谈、课堂，目标是还原说话内容；音频转文字更多面对"成品型"素材，比如已经剪辑过的播客、配好背景音乐的音频节目、收集来的音频素材。
成品音频的处理难点在于，它们往往带有背景音乐、音效、多人对话和后期处理痕迹，这些都会影响识别效果。
什么样的音频识别效果最好
如果你是自己制作音频，录制时保持人声干净、和背景音乐分开存轨，后续转文字会顺利很多。
- 干声独白：只有一个人说话、没有背景音乐，识别准确率最高
- 分段清晰的访谈：一问一答、节奏分明，转文字后容易切分
- 配音与旁白：吐字标准、语速均匀，错字最少
- 带背景音乐的成品节目：音乐和人声混在一起，错字会明显增加
音频文件的时长与体积关系
| 码率 | 25MB 约对应时长 | 适用场景 |
|---|---|---|
| 64kbps | 约 50 分钟 | 语音备忘、口述记录 |
| 128kbps | 约 25 分钟 | 播客、访谈（推荐） |
| 192kbps 及以上 | 约 17 分钟 | 音乐类素材 |
处理长音频的实用做法
超过 25MB 的音频建议按章节或话题切开。切分点的选择会影响后续整理：尽量切在话题转换处，而不是任意时间点，这样每段转出来的文字都是完整的一块内容。
分段的另一个好处是便于并行处理。多段音频可以连续上传，边等结果边核对上一段，整体用时比一次性处理长音频更短。
转完之后可以做什么
文字稿最直接的用途是检索。整季播客转成文字后，可以用关键词搜索定位到某一集、某一段，不用再靠回忆时间点。
做内容的同学，音频转文字得到的稿子可以直接作为二次创作的素材。如果素材是视频，先用视频转文字拿到文稿，再用文案提取的思路拆结构，会比单纯听一遍更容易抓住重点。
音频素材批量整理的思路
手上有几十个音频文件时，最忌讳的是打开一个处理一个。更有效的方式是先做一次清点：按内容和时长分类，标出优先级，再决定处理顺序。清点花的时间，会在后面省回来。
处理顺序建议从短文件开始。十几分钟的小文件能快速跑完，让你熟悉流程、发现共性问题，比如某个来源的文件普遍音量偏低需要增益。等处理到长文件时，前面的经验已经能直接用上。
结果命名要与源文件对应，最好沿用同样的前缀。音频文件本身的文件名往往没有含义，如果文字稿另起一套命名，几天后就对不上了。
常见问题
音频转文字支持哪些格式？
目前支持 MP3、WAV、M4A、OGG 四种常见格式。其他格式如 WMA、AAC、FLAC 建议先用音频工具另存为 MP3 再上传。
带背景音乐的音频能识别吗？
可以识别，但准确率会下降。背景音乐越响、和人声重合越多，错字就越多。这类素材转完后需要更仔细地校对。
可以一次上传多个音频吗？
工作台一次处理一个文件。多段音频可以依次上传，每段识别完成后分别复制或下载，再在文档里合并。
语音备忘这种很短的音频有必要转吗？
看用途。如果只是提醒自己一件事，听完删掉即可；如果里面记了想法、待办、素材，转成文字后就能进笔记系统随时搜索。