要点速览
- 转写强调"逐字保留"，和写纪要的"提炼概括"不是一回事
- 音频单文件上限 25MB，视频上限 50MB
- 视频不需要自己提取音频，浏览器会先分离音轨
- 适合字幕底稿、采访实录、播客文稿等场景
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 |
转写和纪要有什么区别
很多人把转写和整理纪要混为一谈，其实两者目标相反。纪要追求精简，把两小时会议压成一页纸；转写追求完整，连语气词和重复表述都尽量保留，因为那些细节可能是内容的一部分。
做采访的人对这个区别感受最深。受访者一句"其实也不是不行，但我觉得……"，如果被概括成"受访者表示认可"，原话里的犹豫就全丢了。转写要保留的就是这种犹豫。
转写常见的三类需求
- 字幕底稿：视频或播客上线前的字幕初稿，转写后按时间轴切分成行
- 采访实录：媒体采访的完整记录，需要保留每句原话和说话顺序
- 内容二次创作：把音视频内容转成文稿，作为改写、摘编、剪辑的素材
处理视频素材不用先提取音频
很多人以为转写视频必须先自己把音频分离出来，其实不必。上传 MP4、MOV 或 WebM 文件到拾文雀，音轨提取在你的浏览器里完成，不需要安装 FFmpeg 一类的工具，也不需要先把视频转成音频格式。
视频转写的文件上限是 50MB，比音频的 25MB 更宽松，但视频体积通常更大，建议把时长控制在 5 分钟以内，避免长时间等待。
转写稿的整理顺序
- 先通读一遍转写结果，标出需要重点保留的段落
- 按语义切分段落，把口语碎片合并成完整表达
- 核对人名、机构名、专业术语和数字
- 按用途做格式处理：字幕切行、实录加时间戳、文稿加小标题
转写结果的合理预期
机器转写的定位是"高质量的初稿"，不是"可直接交付的定稿"。它能大幅压缩从零听写的时间，但无法替代人工核对。实际流程里，初稿往往能覆盖九成以上的内容，剩下的时间花在校对和格式上。
如果项目对文字准确性要求很高，建议在转写前先准备术语表，把出现频率高的专有名词、人名、产品名整理出来，校对时用批量替换统一处理，比逐处修改高效得多。
素材是图片时思路类似，用图片转文字拿到文本初稿，再按同样流程整理即可。
转写成本由什么构成
一份转写稿的成本不只是"机器跑一遍"的时间。完整流程包括素材准备、格式转换、机器初稿、人工校对、格式整理五个环节，机器负责的是第三环，它压缩的是最耗时的部分，但其余环节仍然存在。
在这些环节里，人工校对通常占掉总时间的一半以上。降低校对成本的办法有两个：一是改善录制质量，让初稿更准；二是提前准备术语表，把反复出现的专有名词一次替换到位。
算清楚成本构成，才能判断一份素材值不值得转写。如果校对的时间超过了直接听写的八成，那这台机器就没有帮上什么忙——出现这种情况，通常问题出在素材质量上。
转写稿的交付标准
如果转写是给他人用的，交付前应该确认几件事。内容是否完整，有没有整段遗漏；专有名词是否核对过，有没有明显的误写；说话人是否标注清楚，多人对话会不会混淆。
用于字幕的转写稿还要检查切分粒度。一行字幕显示的字数有限，过长的句子在播放时会显示不全，需要按语义切成更短的单元。
用于引用的文稿要保留原始表述。整理时可以补标点、可以分段，但不应该把"我觉得可能是这样"改成"我认为是这样"，语义强度的改变在引用的场景里是硬伤。
常见问题
转写和语音转文字有什么不同？
指的基本是同一件事，只是习惯用法不同。转写更常见于字幕、采访、媒体行业的语境，强调逐字保留原始表述。
视频转写需要先转成音频吗？
不需要。直接上传 MP4、MOV 或 WebM 文件，浏览器会自动提取音轨再送去识别。
转写结果能直接当字幕用吗？
内容上可以用，但格式需要调整。字幕要求每行字数受限、按时间轴对齐，需要把转写文本切分成短句并配合时间码。
转写方言内容靠谱吗？
目前对普通话的支持最稳定，方言和重口音内容错字比例会明显上升，建议转写后重点校对。