作者:whispertranscribe.ai Editorial Team · 最后更新:2026 年 11 月 · 阅读约 12 分钟
语音转文字翻译,就是把一种语言的录音变成另一种语言的文字。做法有两种:先按原语言把录音转写出来,再翻译这份文字;或者用一个模型直接从音频写出目标语言。前一种更容易核对,后一种更快。
下文会讲:两种流程各自在哪里容易出错,四种实用方法(包括多语言 SRT 和 VTT 字幕),一张质量因素表,一份译后检查清单,以及什么时候请专业译者更稳妥。
简短回答:语音转文字翻译怎么做
大多数录音的做法是:先按原语言转写,改好文字稿,再翻译改好的文字。如果只需要英文、又想快,直接把语音转成英文的工具用来出初稿就够了。不管哪种方式,凡是要发布或要依赖的内容,都应该让懂两种语言的人核一遍。
- 按说话的语言转写。 自己选语言,别依赖自动检测。
- 校对原文文字稿。 先改人名、数字和术语。
- 翻译并复核。 翻译文字,再对照原文和音频检查。
什么是语音转文字翻译?
凡是从 A 语言的语音开始、以 B 语言的文字结束的流程,都算语音转文字翻译。单纯的转写始终是同一种语言;单纯的翻译从文字开始。这件事把两者结合起来,而怎么结合,决定了结果好不好核对。
两种流程:级联 vs 直接
研究者把第一种做法叫作级联(cascade):先语音识别,再文本翻译。第二种是直接(或端到端)语音翻译,一个模型直接把音频映射成目标语言文字。OpenAI 的 Whisper 能做直接翻译,但只能译成英文。
| 先转写再翻译(级联) | 直接语音翻译 | |
|---|---|---|
| 你能看到的步骤 | 两步:原文文字稿,然后是译文 | 一步:音频进,目标语言文字出 |
| 目标语言 | 你用的文本翻译工具支持的任何语言 | 通常有限;Whisper 的 translate 任务只输出英文 |
| 原语言文字 | 会保留下来 | 通常不生成 |
| 在哪里能发现错误 | 两步之间,在原文里 | 只能把输出和音频对照 |
| 以后要重新翻译 | 直接复用改好的文字稿 | 重新跑一遍音频,或者翻译英文版 |
| 最适合 | 研究、出版、多语言字幕、任何要引用的内容 | 快速看懂一段录音讲了什么(英文) |
每种流程会出什么问题
在级联流程里,错误会叠加。如果文字稿把说话人说的 "fifteen" 写成了 "fifty",译文会用完美的语法带着错误的数字。补救成本很低:翻译前先把文字稿改对。
在直接流程里,没有原文可查。听错的词和译错的词在输出里看起来一样,审校的人只能回去听音频。直接输出读起来还可能比实际质量更通顺,错误反而更难发现。
该用哪种方法?
按文字的用途和需要几种语言来选。
| 你的情况 | 推荐方法 | 原因 |
|---|---|---|
| 想快速看懂一段外语录音 | 方法 2:直接转写成英文 | 一步到位,初稿可读 |
| 要在文章或报告里引用说话人 | 方法 1,关键引语再加方法 4 | 可以核对原话 |
| 需要两种或更多语言的字幕 | 方法 3:先做原语言 SRT 或 VTT,再翻译每条字幕的文字 | 一份时间轴文件供所有语言使用 |
| 要分析和引用的研究访谈 | 方法 1 | 编码和引用始终对应原始文字稿 |
| 合同、法庭材料、医疗或移民记录 | 方法 4,并交给合格的专业人员 | 出错的后果很实际 |
方法 1:按原语言转写,再翻译文字
这是最灵活的路线。改好的文字稿就是你的母版,每一种译文都从它出发。
第 1 步:按说话的语言转写
把文件上传到转写工具,开始前先设好语言。whispertranscribe.ai 是一个基于 OpenAI Whisper 模型、在浏览器里使用的转写工具,你可以从 130+ languages 中选择,有地区变体选项,录音质量差时还有 Noise / Low-Quality Audio/Video 模式。常见来源有专门页面,比如西班牙语音频和中文音频。说话人会切换语言的,Multilingual Mix 选项支持英语、西班牙语、法语、德语、印地语、俄语、葡萄牙语、日语、意大利语和荷兰语。
如果录音在 Google Drive、Dropbox、Vimeo 或 YouTube 上,不用下载,直接从链接转写。采访和会议记得打开说话人识别。
第 2 步:校对原文文字稿
翻译之前先改文字稿,因为每个没改的错误都会被复制到每一种语言里。先搜人名、产品术语和缩写,再把每个打算保留的数字回放听一遍。清晰音频上准确率 up to 99%。背景噪音、口音重和多人抢话都会拉低准确率,所以这一遍要留出时间。
第 3 步:翻译改好的文字
把文字稿导出为 DOCX 或 TXT,放进文本翻译工具。先看清格式限制。截至 2026 年 11 月:
- Google Translate:据 Google Translate 帮助中心,可翻译 .docx、.pdf、.pptx 和 .xlsx 文档,单个最大 10 MB,PDF 不超过 300 页。字幕文件不在这份清单里。
- DeepL:其文件格式页面列出了 DOCX、PDF 和 TXT。SRT 和 VTT 也在列,支持 Pro Individual、Pro Team、Pro Business 和 API 套餐,每个字幕文件上限 150 KB 或 200 KB。DeepL 免费账号不支持 TXT。
工具允许的话,给翻译补充背景:谁在说话、读者是谁、译文要多正式。
第 4 步:两个版本并排保存
把原文和译文成对保存,文件名对应,比如 interview-04_es_v2.docx 和 interview-04_en_v2.docx,这样有争议的句子都能追溯到原话。
方法 2:直接转写成英文
如果目标语言是英文,而且主要是想看懂或总结录音内容,用直接翻译的工具能省一步。
用 Translate audio to English 页面
whispertranscribe.ai 的音频翻译成英文页面会把其他语言的语音变成英文文字。页面是这么描述的;它没有列出目标语言清单,因为输出就是英文。
- 选择说话的语言。 页面第 1 步问的是录音的语言,不是目标语言。页面说选对语言能得到更准确的英文,如果结果不满意,建议换个选项再试。
- 上传文件。 第 2 步支持常见音视频格式,包括 MP3、WAV、M4A、MP4、MOV 和 MKV。
- 打开说话人识别(不止一个人说话时)。页面写明翻译支持说话人识别。
- 点 Translate audio to English,然后检查英文文字并导出。
把输出当作工作初稿;我们不承诺翻译质量。如果还需要原语言文字稿,就再正常转写一遍。
在自己电脑上用开源 Whisper
OpenAI 的 Whisper 代码仓库记录了一个输出英文的 translate 任务:
whisper japanese.wav --model medium --language Japanese --task translate
(译注:命令保留原样;意思是用 medium 模型,把日语音频 japanese.wav 翻译成英文。)
README 里有两点提醒:默认的 turbo 模型没有针对翻译训练,即使加了 --task translate 也会返回原语言,所以要用 medium 或 large;另外输出只有英文。德语音频要变成法语文字,仍然需要再做一步文本翻译。
效果怎么样?Whisper 论文提到,训练数据里有 125,000 小时 X→英语的翻译数据。在没有用 CoVoST2(它的测试基准)训练的情况下,Whisper 得到 29.1 BLEU,作者称之为新的最佳成绩。BLEU 衡量的是机器输出和参考译文的重合程度,不是句子正确率的百分比。同一篇论文也指出,在高资源语言上 Whisper 仍不如之前专门训练的系统;而且训练数据量对翻译质量的预测力,远低于对转写质量的预测力。
方法 3:制作多语言字幕(SRT 和 VTT)
视频的话,先做一份原语言字幕文件,然后只翻译每条字幕的文字。各语言的时间轴完全一致。
第 1 步:生成原语言字幕文件
用字幕生成器或 MP4 转 SRT 工具,按说话的语言导出 SRT 或 VTT。先在这份文件里改好文字和时间轴;它是所有语言的模板。
第 2 步:只译字幕文字,不动结构
一条 SRT 字幕包含序号、时间码行和文字,只有文字应该改。下面是一个虚构的例子:
12
00:01:04,200 --> 00:01:07,900
La reunión empieza el 3 de mayo a las 15:00.
12
00:01:04,200 --> 00:01:07,900
The meeting starts on May 3 at 3 p.m.
(译注:两段示例保留原文;第一段是西班牙语原字幕,第二段是英文译文,意思都是“会议 5 月 3 日下午 3 点开始”。)
序号和时间码完全不变,日期和时间按目标读者的习惯调整。如果你的翻译工具只收文档,就把文字复制到表格里,再逐条贴回去。DeepL 的付费 Pro 套餐可以直接处理 SRT 和 VTT,见上文。
第 3 步:检查阅读长度
译文可能比原文长,一条原本 3.7 秒内能舒服读完的字幕,译完后可能放不下了。可以拆分长字幕或精简措辞,但除非重新对着音频核过,否则不要挪动时间码。
第 4 步:每种语言单独上传为一条字幕轨
文件名带上语言代码,比如 talk.en.srt 和 talk.es.srt,在平台上分别上传为独立的字幕轨。软字幕轨可以让观众自己切换语言。
方法 4:加一道人工审校
凡是要发布、要引用、或用来做决定的内容,都请一位双语审校者对照原文检查译文。机器输出常常错了也读得很顺。
用一张简单的审校表能让这一步快很多。下面是格式的虚构示例:
| 字幕 | 原文句子 | 译文 | 标记 | 审校备注 |
|---|---|---|---|---|
| #37 | Vamos a cerrar el trato el lunes | We'll close the deal on Monday | OK | — |
| #81 | Eso no es moco de pavo | That's not turkey snot | 习语 | 改用 "That's no small thing" |
| #126 | Facturamos 1,5 millones | We invoiced 1.5 million | 数字 | 向说话人确认币种 |
(译注:表中原文和译文保留示例原样;#81 是西班牙语习语被直译的反例,意思是“这可不是小事”。)
让审校者重点看人名、数字、引语、法律或医学术语,以及所有标为不清楚的地方。whispertranscribe.ai 不提供人工转写或人工翻译,所以这一步要你自己做,或者交给专业人员。
哪些因素影响语音转文字翻译的质量?
质量要过两道关:一次是语音变成文字,一次是文字换语言。有些因素两道关都会受影响。
| 因素 | 对转写的影响 | 对翻译的影响 | 怎么办 |
|---|---|---|---|
| 音频质量(噪音、回声、距离) | 漏听或听错词 | 错误被带进每种语言 | 离麦克风近一点录;用最干净的原始文件 |
| 口音和方言 | 地方口音错误更多 | 地方词汇可能被直译 | 有地区语言选项就选上 |
| 专业术语 | 术语按发音拼写 | 对应词错误或前后不一致 | 准备术语表,在原文里改好术语 |
| 语言对 | 取决于说话的语言 | 常见语言对通常好于少见的 | 少见语言多留些审校时间 |
| 专有名词 | 名字被识别成普通词 | 名字被“翻译”或改掉 | 开始前列出名字;搜索并修正 |
| 语言混用 | 句子中途猜错语言 | 混杂文字让翻译工具困惑 | 用混合语言模式;标注每种语言 |
| 多人同时说话 | 句子被合并或丢掉 | 丢失说话人的意思 | 分开用麦克风;在打断处检查说话人标签 |
Google 的语音数据最佳实践指出,MP3 和 M4A 这类有损编码“may reduce accuracy”(可能降低准确率),而且在用了有损编码时,噪音和回声的影响更大。OpenAI 的 README 也说,Whisper 在不同语言上的表现差别很大。这两点都说明:跑长批量之前,先拿一小段样本试一下。
译后检查清单
每次翻译完、在团队以外的人看到之前,过一遍这份清单:
- 数字。 每个数字都和音频一致。注意小数逗号:很多欧洲语言里的 "1,5" 就是英文的 1.5。
- 货币和单位。 货币保持说话人用的,除非你注明了换算;公里不能悄悄改成英里。
- 人名和头衔。 人名、公司名和地名按对方自己的写法拼,不要翻译。
- 日期和时间。 各国日月顺序不同,03/04 可能是 4 月 3 日,也可能是 3 月 4 日。重要的时候把月份写成单词。
- 引语。 直接引语要对照音频核对,不只是对照文字稿。
- 习语和幽默。 被直译的习语换成自然的对应说法,或者标出来。
- 文化背景。 无法直接传达的说法加一句简短说明,而不是悄悄改写。
- 语体。 正式和非正式称呼(tú/usted、du/Sie)要符合说话人之间的关系。
- 说话人标签。 每一句仍然归在正确的人名下。
- 听不清的段落。 不确定的地方在两种语言里都标成
[unclear],不要猜。
什么时候需要专业译者?
如果出错可能造成金钱、健康、法律地位或信任上的损失,就请合格的人工译者。本文不构成法律建议,各国、各法院、各机构的要求不同,请向接收文件的机构确认。
| 场景 | 为什么机器输出不够 |
|---|---|
| 移民申请材料 | 美国规定(8 CFR 103.2(b)(3))要求提交给 USCIS 的外语文件附完整英文译文,并由译者证明译文完整准确、且本人有能力翻译 |
| 法庭证据和证词 | 法院通常自己规定谁可以翻译或认证 |
| 合同和协议 | 一个词译错就可能改变一项义务 |
| 医疗问诊和病历 | 剂量、症状和知情同意必须准确 |
| 公开发表的引语和新闻材料 | 错误引用会损害信任,还可能带来法律责任 |
对内部笔记、研究草稿、看懂一段视频这类风险较低的事,机器翻译加上自己审一遍通常就够了。
需要哪种导出格式?
按下一步要做什么来选格式。whispertranscribe.ai 的文字稿可导出为 DOCX、PDF、TXT、CSV、SRT 和 VTT。
| 格式 | 用途 |
|---|---|
| DOCX | 在 Word、DeepL 或 Google Translate 里翻译;加批注编辑 |
| TXT | 粘贴到翻译工具或其他应用 |
| 定稿译文的固定版本 | |
| CSV | 并排审校表和研究编码 |
| SRT | 用于 YouTube、视频剪辑软件和播放器的字幕轨 |
| VTT | 用于 HTML5 网页视频播放器的字幕 |
常见问题
语音转文字和语音转文字翻译有什么区别?
语音转文字保持原语言:西班牙语音频变成西班牙语文字。语音转文字翻译最后是另一种语言:西班牙语音频变成英文文字。它可以分两步做,先转写再翻译文字稿;也可以一步做,用一个直接写出目标语言的模型。两步走更容易核对,因为可以在翻译之前改好原文,之后还能复用它去翻其他语言。
Whisper 能把音频翻译成英文以外的语言吗?
不能。Whisper 自带的 translate 任务只输出英文。你可以给它很多种语言的语音,但它写出来的是英文。其他目标语言的话,先按原语言转写音频,再用文本翻译工具翻译文字稿。OpenAI 的 README 还提到,默认的 turbo 模型没有针对翻译训练,即使你要求翻译,也会返回原语言。翻译请用 medium 或 large 模型。
先转写再翻译更好吗?
如果结果要发布、要引用,或者要翻成不止一种语言,通常是的。先转写能得到可以修改的原文,听错的名字或数字改一次就好,不用在每份译文里各改一遍。直接转成英文更快,只是想看懂录音时很好用。要做多语言字幕的话,一份改好的原语言 SRT 或 VTT 文件是最实用的起点。
语音转文字翻译有多准?
这取决于音频、语言对和内容主题,没有一个准确率数字能适用于所有情况。清晰音频的转写可以非常准确。whispertranscribe.ai 在清晰音频上可达 up to 99%,噪音和口音会拉低这个数字。翻译还会带来自己的错误,尤其是习语、人名和专业术语。常见语言对一般比少见的表现好。数字、人名和引语要自己核对,重要内容请双语人员审校。
翻译字幕时能保留时间戳吗?
能。只翻译每条字幕的文字,序号和时间码保持不变。可以手动做,可以把字幕文字粘进翻译工具再贴回来,也可以用支持字幕文件的工具。DeepL 在 Pro Individual、Pro Team、Pro Business 和 API 套餐里列出了 SRT 和 VTT。Google Translate 的文档翻译没有列出字幕格式。翻译完要检查,长句在每条字幕的显示时间内是否还读得完。
法律或医疗录音能用机器翻译吗?
可以用来先看个大概,但不能当最终版本。法律、医疗、合同和移民材料往往需要合格的人工译者,有些机构还要求认证翻译。比如美国移民规定要求译者证明英文译文完整准确。各国、各机构要求不同,请向接收文件的一方确认。以上是一般信息,不构成法律建议。
准备好了吗? 上传录音把音频翻译成英文;要做字幕或翻成其他目标语言,就先按原语言转写。你可以免费试用,无需注册账号。付费套餐 from $9.99/month billed annually(按年付费,每月 9.99 美元起);详见价格页。whispertranscribe.ai 不提供 API、人工转写或会议机器人。
参考资料
- Radford 等,OpenAI:Robust Speech Recognition via Large-Scale Weak Supervision(第 1 节、第 2.1 节和第 3.5 节,表 4)
- OpenAI:GitHub 上的 Whisper(README,命令行用法)
- Google Translate 帮助中心:翻译文档和网站
- DeepL 帮助中心:文件格式
- Google Cloud:向 Speech-to-Text API 提供数据的最佳实践
- eCFR:8 CFR 103.2,福利申请的提交和裁定
