作者:whispertranscribe.ai Editorial Team · 最后更新:2026 年 11 月 · 阅读约 12 分钟
播客文字稿用什么格式,要看文字放在哪里。放在单集页面上,用好读的段落,每次换人说话前写上说话人名字,偶尔加时间戳。给 Apple Podcasts、Spotify 和你的 RSS feed,用带时间轴的 WebVTT(.vtt)文件,SRT 作备选。另外留一份纯 TXT 或 DOCX 方便编辑。
下面有四个可直接复制的模板,Podcasting 2.0 规范、Apple、Spotify 和 YouTube 的文件规则(2026 年 11 月核实),以及一份发布清单。
简短回答:播客文字稿该用哪种格式?
大多数节目需要同一份内容的两个版本:给人读的阅读版,和给 App 用的带时间轴文件。阅读版按受众选,时间轴文件按平台选。
| 格式 | 最适合 | 优点 | 缺点 | 哪里接受 |
|---|---|---|---|---|
| 纯文本(TXT) | 编辑、节目简介、改写成文章 | 哪里都能打开;好搜索、好粘贴 | 没有时间信息;说话人名字只能自己打 | 你的网站;RSS 标签用 text/plain |
| 带说话人标签的文档(DOCX 或网页) | 单集页面、嘉宾审阅、无障碍 | 最好读;支持标题和链接 | 不能和音频同步 | 你的网站;RSS 标签用 text/html |
| 带时间戳的文本 | 长访谈、核对引语、研究 | 读者可以跳到某个时间点 | 时间戳太多页面会很乱 | 你的网站 |
| SRT(.srt) | 上传到 Spotify 或 YouTube;字幕式 feed | 简单,支持广泛 | 没有 voice 标签,名字只能写进正文 | Apple(订阅者单集上传)、Spotify、YouTube、RSS 标签 |
| WebVTT(.vtt) | Apple Podcasts、Spotify、网页播放器 | 可用 voice 标签标出说话人;浏览器原生支持 | 语法严格;多一行就可能出错 | Apple(feed 和订阅者单集上传)、Spotify、YouTube、RSS 标签 |
| JSON(Podcasting 2.0) | 逐词高亮的 App | 时间最精确 | 很少有托管平台能生成 | RSS 标签用 application/json |
经验法则: 如果只能做一个带时间轴的文件,就做 VTT。Podcasting 2.0 的文字稿文档正是针对这种情况推荐 WebVTT,并指出 Apple Podcasts 用它导入,浏览器也原生支持。
一份好的播客文字稿应该包含什么
好的播客文字稿,能让从没按过播放键的人看懂整集内容。W3C 对播客文字稿的描述是:简单的文字段落,标出说话人,再加上听众理解内容所需的非语音声音。
落到实处就是五个习惯:
- 每次换人都写上说话人名字。 开头附近用一次全名,之后用简称。不要在一个文件里混用“Mia”“Host”和“Speaker 1”。
- 每次换人说话都另起一段。 回答很长时,在话题转换处分段。
- 有意义的声音放进方括号。
[laughs]、[phone rings]、[theme music]。没人需要的背景噪音就不用写。 - 你额外加的内容要标出来。 W3C 指出,可以加补充说明,只要读者能看出它不属于音频本身,比如用方括号。
- 时间戳少用。 W3C 的建议是只在有用时才加,而且很少需要写结束时间。
清洁版还是逐字版? 公开的单集页面最适合清洁逐字版(clean verbatim):保留每个有意义的词,去掉“嗯”、结巴和说了一半又重来的话。如果原话很重要,比如研究访谈或可能有争议的引语,就保留完整逐字版。不管选哪种,都在文字稿开头用一句话说明。
可直接复制的播客文字稿模板
下面每个模板都是我们为本指南编写的虚构示例(“Trailhead Radio”这档节目并不存在)。替换方括号里的占位内容,保留结构即可。
模板 1:访谈格式(两位或以上说话人)
适用于嘉宾单集和圆桌讨论。如果你的网站支持,可以把标签加粗。
EXAMPLE (fictional show)
Trailhead Radio, Episode 58: Packing for a First Overnight Hike
Host: Mia Chen. Guest: Luis Ortega, park ranger.
Transcript style: clean verbatim.
[theme music]
Mia Chen: Welcome back to Trailhead Radio. I'm Mia, and today I'm
talking to ranger Luis Ortega about the mistakes he sees on first
overnight trips.
Luis Ortega: Thanks for having me. The big one is weight. People pack
for every possible problem and end up too tired to enjoy the trail.
Mia: So where do you start?
Luis: With water. Check where you can refill before you leave, then
carry only what gets you to the next source. [laughs] My first trip,
I carried six liters up a creek trail.
译注:虚构节目第 58 集《第一次过夜徒步怎么打包》。主持人 Mia Chen 和护林员 Luis Ortega 聊新手常犯的错:带太重;先查好沿途哪里能补水,只带够走到下一个水源的量。Luis 笑着说自己第一次背了六升水上山。
模板 2:单人或独白单集
单人单集没有换人,所以结构靠小标题和段落,而不是说话人标签。
EXAMPLE (fictional show)
Trailhead Radio, Episode 59: Reading a Trail Map
Speaker: Mia Chen. Transcript style: clean verbatim.
Introduction
Today is a short one. I want to walk you through the three things I
check on a trail map before every hike, in the order I check them.
1. Contour lines
The closer the lines, the steeper the ground.
2. Water sources
Note the distance between the blue symbols along the route.
[Sponsor message]
3. Exit points
Find at least one way off the trail before the halfway mark.
译注:第 59 集《怎么看步道地图》,Mia 独白,按顺序讲徒步前看地图的三件事:等高线(越密越陡)、水源(留意路线上蓝色标记之间的距离)、撤离点(走到一半之前至少找好一条下撤路线);中间插了一段赞助商口播。
模板 3:带时间戳的文字稿
适用于读者需要快速找到某个片段的长访谈。每次换人打一个时间戳,或者每隔几分钟打一个,就足够了。
EXAMPLE (fictional show)
Trailhead Radio, Episode 58 (running time 41:20)
[00:00] [theme music]
[00:12] Mia Chen: Welcome back to Trailhead Radio. Today I'm talking
to ranger Luis Ortega about first overnight trips.
[00:21] Luis Ortega: Thanks for having me. The big mistake is weight.
[03:47] Mia: Let's talk about food. How much do people overpack?
[03:52] Luis: Almost always by a full day. [laughs]
[17:05] [inaudible 17:05] Luis: ...and that's why I carry a paper map.
译注:同一集(时长 41:20)的带时间戳版本:开场音乐、主持人介绍、嘉宾说最大的错误是带太重;03:47 聊食物,嘉宾说大家几乎总会多带一整天的量;17:05 有一处听不清,之后嘉宾说“……所以我总带一张纸质地图”。
超过一小时的单集,把小时也写上([01:03:47]),让每个时间戳格式一致。
模板 4:长单集的分章节文字稿
章节能帮读者和读屏软件用户在长对话里快速跳转。W3C 的建议是,在标题能让文字稿更好用的地方加上标题。
<!-- EXAMPLE (fictional show) -->
## Transcript: Packing for a First Overnight Hike
**Episode 58 · Host: Mia Chen · Guest: Luis Ortega · Clean verbatim**
### Chapter 1 (00:00): Why first trips go wrong
**Mia Chen:** Welcome back to Trailhead Radio...
**Luis Ortega:** The big one is weight...
### Chapter 2 (03:47): Food and water
**Mia:** Let's talk about food...
### Chapter 3 (17:05): Navigation without a signal
**Luis:** I always carry a paper map...
### Resources mentioned
- [Link to the park's trail conditions page]
译注:分章节版:第 1 章(00:00)新手第一次为什么容易出问题;第 2 章(03:47)食物和水;第 3 章(17:05)没信号时怎么导航;最后是“节目中提到的资源”,放公园步道状况页面的链接。
章节时间和节目简介里的保持一致,两边列表才对得上。
播客文字稿文件格式:VTT、SRT、JSON 和 HTML
带时间轴的文件比阅读版规则更严。下面用同一段虚构对话分别演示。
WebVTT(.vtt):最稳妥的时间轴文件
VTT 文件以 WEBVTT 开头,毫秒前用句点,可以用 voice 标签写说话人名字。Apple 表示,提供 VTT 文件就能标出每行的说话人,之后在它的文字稿视图里,每次换人都会显示名字。
WEBVTT
00:00:12.000 --> 00:00:17.400
<v Mia Chen>Welcome back to Trailhead Radio.
00:00:17.400 --> 00:00:21.000
<v Mia Chen>Today I'm talking to ranger Luis Ortega.
00:00:21.000 --> 00:00:24.800
<v Luis Ortega>Thanks for having me.
The big mistake is weight.
译注:三条字幕:Mia Chen 说“欢迎回到 Trailhead Radio”“今天我和护林员 Luis Ortega 聊聊”;Luis Ortega 说“谢谢邀请。最大的错误是带太重。”
<v 名字>就是 voice 标签。
Podcasting 2.0 文档建议 VTT 每行不超过 65 个字符,这样文件也能当字幕用。
SRT(.srt):备选方案
SRT 给每条字幕编号,毫秒前用逗号,没有 voice 标签。Podcasting 2.0 文档定了一套播客用的 SRT 规范:每条字幕最多两行,每行最多 32 个字符,换人时另起一条,开头写名字加冒号。
1
00:00:12,000 --> 00:00:15,000
Mia: Welcome back
to Trailhead Radio.
2
00:00:21,000 --> 00:00:24,800
Luis: Thanks for having me.
The big mistake is weight.
译注:同一段对话的 SRT 版:第 1 条 Mia 说“欢迎回到 Trailhead Radio”,第 2 条 Luis 说“谢谢邀请。最大的错误是带太重。”名字直接写在文字里。
刚接触 SRT?我们的讲解文章《什么是 SRT 文件》会逐行讲解。
JSON 和 HTML(Podcasting 2.0)
规范里还定义了两种不太常用的格式。JSON 存一个规范 version 和一个 segments 数组;每个片段带 speaker、startTime、endTime 和 body 字段,每个词一个片段就能实现逐词高亮。HTML 适合时间信息很少或没有的文字稿:说话人名字放在 <cite> 里,开始时间放在 <time> 里,内容放在 <p> 里。规范称它为低精度格式,定位是无障碍辅助和可搜索文本。
怎么把文字稿加进 RSS feed(Podcasting 2.0 标签)
播客 App 通过每集 <item> 里的 <podcast:transcript> 标签找到你自己的文字稿。大多数托管平台在你附加文件时会自动写好这个标签,所以手动改 feed 之前,先看看托管平台的后台。
根据官方标签文档:
url(必填):文字稿文件的地址。type(必填):MIME 类型。文档列出的有text/plain、text/html、text/vtt、application/json和application/x-subrip(SRT)。language(可选):不写的话,App 默认用 feed 里<language>元素的语言。rel="captions"(可选):告诉 App 这个文件是带时间码的隐藏式字幕,不管它的 MIME 类型是什么。- 可以写多个标签,所以每种格式可以各提供一个文件。
<!-- EXAMPLE: one episode offering three transcript files -->
<rss version="2.0" xmlns:podcast="https://podcastindex.org/namespace/1.0">
<channel>
<language>en</language>
<item>
<title>Packing for a First Overnight Hike</title>
<podcast:transcript url="https://example.com/ep58/transcript.vtt"
type="text/vtt" />
<podcast:transcript url="https://example.com/ep58/transcript.srt"
type="application/x-subrip" rel="captions" />
<podcast:transcript url="https://example.com/ep58/transcript.html"
type="text/html" />
</item>
</channel>
</rss>
译注:示例:一集同时提供三个文字稿文件,分别是 VTT、SRT(标为 captions)和 HTML。
有个容易漏掉的细节:文字稿格式文档指出,浏览器里的播放器要从别的网站加载文件,文件所在服务器需要设置 CORS 头。如果 Apple 上能看到文字稿、网页播放器却没有,先查这一点。
Apple Podcasts、Spotify 和 YouTube 的文字稿要求
三个平台都接受带时间轴的文件,但获取方式各不相同。以下细节在 2026 年 11 月逐一对照各平台帮助页面核实过。
| 平台 | 接受的文件 | 文件怎么传上去 | 注意事项 | 官方来源 |
|---|---|---|---|---|
| Apple Podcasts | VTT 或 SRT | RSS 文字稿标签;订阅者单集可在 Apple Podcasts Connect 直接上传 | 必须选择 "Display transcripts I provide";支持 11 种语言 | Apple Podcasts for Creators |
| Spotify | VTT 或 SRT,最大 5MB | 在 Spotify for Creators 上传(限符合条件的节目) | 开启自动生成文字稿会替换你上传的文件 | Spotify for Creators 帮助中心 |
| YouTube | SRT、VTT 及其他字幕格式 | YouTube Studio → Subtitles → Upload file | SRT 必须是纯 UTF-8,不能带标记 | YouTube 帮助 |
| 其他 App | 视 App 而定 | RSS 文字稿标签 | 不是每个 App 都读取这个标签 | Podcasting 2.0 文档 |
Apple Podcasts
- Apple 会为新单集自动生成文字稿。要显示你自己的,在 Apple Podcasts Connect 里节目的 Availability 标签页修改文字稿设置,或者给单集用自定义设置。
- 文字稿在 iOS 17.4 或更高版本上可用,支持英语、丹麦语、荷兰语、芬兰语、法语、德语、意大利语、挪威语、葡萄牙语、西班牙语和瑞典语。其他语言,Apple 建议在节目简介里放文字稿链接。
- 文件必须是 VTT 或 SRT,没有拼写和标点错误,并且覆盖单集的所有片段。不符合 Apple 质量标准的文件不会显示。
- 动态插入音频改动过的片段 Apple 不显示,歌词也不显示,超过 10 小时的单集可能不会转写。
- App 会把你的文件标为 "Provided by",它自己生成的标为 "Automatically generated"。
Spotify
- 不是每位创作者都能用文字稿功能。如果你的节目符合条件,进入 Episodes,选中单集,点 Details,再点 Transcripts 下的 Edit。在这里可以下载 Spotify 生成的 VTT,改好后上传你自己的文件。
- Spotify 要求 VTT 或 SRT,最大 5MB,并且要有时间戳,没有时间戳播放时文字稿就不会同步。
- 有一个叫 Distribute transcripts across other platforms via RSS 的设置,会把文字稿放进你的 feed,供其他 App 使用。
YouTube
YouTube 上的视频播客用的是普通字幕轨。在 YouTube Studio 里选 Subtitles,选中视频,添加语言,然后点 Upload file,选 With timing 或 Without timing。YouTube 帮助页面建议,视频超过一小时或音质较差时,不要依赖不带时间的文字稿,而大多数完整单集都属于这种情况,所以请上传带时间轴的 SRT 或 VTT 文件。
无障碍:WCAG 对播客文字稿有什么要求
本节为一般性信息,不构成法律建议。某项法律是否适用于你的节目,取决于你所在的国家和机构。
《Web 内容无障碍指南》(WCAG)把播客视为纯音频媒体。根据成功标准 1.2.1,预录的纯音频内容需要提供文字替代,并且要“呈现同等信息”。W3C 的文字稿指南还补充:预录音频的文字稿属于 A 级要求,而直播纯音频内容的文字稿属于 AAA 级。
这对格式意味着:
- 同等就是完整。 包含全部话语和有意义的声音,而不是摘要。
- 必须是真正的文本, 这样读屏软件、盲文显示器和搜索工具才能用。
- 要容易找到。 W3C 建议把文字稿或它的链接放在媒体旁边,通常放在同一个页面。
- 字幕文件不等于阅读版文字稿。 如果从 SRT 或 VTT 起步,要把零碎的字幕条合并成段落,W3C 自己的示例就是这么做的。
播客文字稿对 SEO 有帮助吗?
有可能,但别乱承诺。各来源的原话是这样的:
- W3C 指出,给文字稿加标题和链接能让它更好用,“也有助于 SEO”。
- Spotify 表示,文字稿帮助它理解一档节目讲什么,并支撑章节、嘉宾和话题标签等发现功能(Spotify for Creators)。
- Apple 让听众在单集里搜索某个词或短语,点一下文字就能从那里开始播放。
这些都没有承诺排名会更高。发布文字稿,是因为它让更多人能用上这集内容;带来的流量算是额外收获。
怎么用 whispertranscribe.ai 制作播客文字稿
whispertranscribe.ai 是一个基于 OpenAI Whisper 模型、在浏览器里使用的转写工具。它把单集变成文字,可以导出成上面提到的格式。在网页浏览器里就能用,不用装 App。
- 打开播客文字稿生成器,从 130+ languages 中选择说话的语言。录音质量差的话,很多语言都有 Noise / Low-Quality Audio/Video 选项;单集里来回切换语言的,可以用 Multilingual Mix 选项。
- 添加单集。 上传音频或视频文件(MP3、WAV、M4A、MP4 等),每个文件最大 5GB、10 小时。也可以用 Transcribe from URL,它接受 YouTube、Vimeo、Google Drive 和 Dropbox 链接。那个页面没有列出 Apple Podcasts 或 Spotify 链接,也没有列出 RSS feed,所以纯音频单集请从托管平台或剪辑软件里导出文件再上传。
- 访谈和圆桌节目打开 Speaker Detection。
- 检查初稿。 清晰音频的准确率可达 up to 99%,但抢话、人声下垫音乐、噪音和浓重口音都会拉低准确率。重点核对人名、数字,以及每次换人后的第一句。
- 按去向导出需要的格式: 单集页面和节目简介用 TXT 或 DOCX,Apple Podcasts、Spotify 和 YouTube 用 VTT 或 SRT,需要的话再导出 PDF 或 CSV。
如果导出文件用的是通用标签,发布前用查找替换改成真实姓名。要给片段做字幕,AI 字幕生成器有每条字幕最多字数的设置,纯音频文件可以用 MP3 转 SRT。访谈为主的节目,可以看看免费访谈转写。想先把文件变小?用音视频转 MP3。
你可以不注册账号直接开始;免费使用目前包含什么,以那个页面为准。付费套餐 from $9.99/month billed annually(价格)。所有工具都列在功能页面上。
播客文字稿发布清单
- 标签、方括号和时间戳统一一套写法,并在开头说明
- 每位说话人都标了名字,拼写和单集介绍一致
- 人名、数字和品牌词都对照音频核对过
- 阅读版发布在播放器旁边,或者从播放器处有链接
- 时间轴文件存为 UTF-8,扩展名是
.vtt或.srt,不是.vtt.txt - VTT 以
WEBVTT开头;SRT 时间戳用逗号 - 文件覆盖整集,包括片头和片尾
- RSS 标签的
type正确,文件 URL 能公开打开 - Apple 已设为 "Display transcripts I provide"
- Spotify 上传文件小于 5MB,自动生成文字稿保持关闭
- 发布 24 小时后,在每个 App 里检查过上线的单集
常见问题排查:播客文字稿格式
| 你看到的现象 | 可能原因 | 解决办法 |
|---|---|---|
| Apple 仍把文字稿标为 "Automatically generated" | 文字稿设置没改 | 为节目或单集选择 "Display transcripts I provide" |
| Apple 上完全没有文字稿 | 语言不支持、开启了限制的 explicit 单集,或发布不到 24 小时 | 检查语言和 explicit 设置,然后等一天 |
| Apple 上缺了部分内容 | 转写后动态插入的音频改动了内容 | 属于正常情况;在你的网站上保留完整文字 |
| Apple 上没有说话人名字 | 文件是 SRT,或没有 voice 标签 | 导出 VTT 并加上 <v Name> 标签 |
| Spotify 拒绝上传 | 文件类型不对或超过 5MB | 导出 VTT 或 SRT;精简过长的字幕文字,或把备注拆出去 |
| Spotify 文字稿不跟着音频走 | 文件里没有时间戳 | 上传带时间轴的 VTT 或 SRT,不要用 TXT |
| 在 Spotify 上传的文件不见了 | 开启了自动生成文字稿 | 关掉后重新上传 |
| 网页播放器什么都不显示,Apple 正常 | 文件所在服务器缺少 CORS 头 | 让托管平台或 CDN 允许跨域请求 |
| 带重音的字母显示乱码 | 文件没存成 UTF-8 | 用纯文本编辑器重新存为 UTF-8 |
| 读者觉得页面难读 | 直接把字幕文件贴成了文字稿 | 把字幕条合并成段落,加上说话人标签 |
更多字幕文件问题的解决办法,见我们的《导出 SRT 字幕》指南。
常见问题
播客文字稿最好用什么格式?
其实有两个“最好”,一个给人看,一个给 App 用。给读者,用清洁逐字版文字,每次发言前写说话人名字,换人就另起一段,声音放在方括号里。给播客 App,用带时间轴的 WebVTT 文件,Apple Podcasts 和 Spotify 都接受,Podcasting 2.0 文档也推荐在只能支持一种格式时选它。SRT 可以作为备用。
播客文字稿要带时间戳吗?
时间轴文件必须有,阅读版只需要少量。Spotify 表示,上传的文字稿没有时间戳,播放时就不会同步;Apple 要求 VTT 或 SRT,这两种都带时间。在网页上,W3C 的建议是只在有用时才加时间戳。每次换人或每个章节打一个时间戳,读者能找到片段,正文也不会乱。
Spotify 接受什么格式的播客文字稿?
Spotify 接受最大 5MB 的 VTT 或 SRT 文件,在 Spotify for Creators 里单集的 Details 和 Transcripts 部分上传。文件需要有时间戳,否则播放时不会同步。不是每位创作者都能用文字稿功能,所以你的节目可能看不到这个选项。如果之后开启 Spotify 自动生成文字稿,它会替换你上传的文件。
怎么把文字稿加进播客的 RSS feed?
在单集的 item 元素里加一个 podcast:transcript 标签,写上文件 URL 和 MIME 类型,比如 WebVTT 用 text/vtt,SRT 用 application/x-subrip。可以为不同格式加多个标签,加 language 属性,带时间轴的字幕文件用 rel="captions"。大多数播客托管平台在你附加文字稿时会自动写这个标签,所以先看看托管平台后台。
播客出于无障碍需要文字稿吗?
按照 WCAG,播客单集这类预录纯音频内容,需要能呈现同等信息的文字替代,W3C 把它列为 A 级,也就是最基本的符合等级。WCAG 对你的节目是否有法律强制力,取决于你的国家、行业和机构。这是一般性信息,不构成法律建议,请查看适用于你的规定。
能把 SRT 或 VTT 文件变成好读的文字稿吗?
能。删掉字幕编号和时间行,把零碎的字幕行合并成段落,每次换人就另起一段。把 VTT 的 voice 标签改成“名字加冒号”,有意义的方括号声音保留。W3C 自己的示例也是这么做的,把几行字幕合成文字稿的一段。
准备好排版下一集了吗? 上传到 whispertranscribe.ai 播客文字稿生成器,用 130+ languages、带说话人识别,导出 TXT、DOCX、VTT 或 SRT。
相关指南:什么是 SRT 文件? · 怎么导出 SRT 字幕 · 怎么把 MP3 转成文字 · 字幕 vs 隐藏式字幕
参考资料
- Podcast Index:podcast:transcript 标签和文字稿文件格式详情
- Apple Podcasts for Creators:Apple Podcasts 上的文字稿
- Spotify for Creators:在 Spotify 上管理单集文字稿和自动文字稿、章节等功能
- YouTube 帮助:支持的字幕和隐藏式字幕文件和添加字幕
- W3C WAI:文字稿
- W3C:理解成功标准 1.2.1 纯音频和纯视频(预录)
