视频转文字工具:如何把任何视频转成文字

作者:whispertranscribe.ai Editorial Team · 最后更新:2026 年 11 月 · 阅读约 13 分钟

视频转文字工具会把视频音轨里的语音提取出来,生成一份可以编辑、搜索或做成字幕的文字稿。用法是:选择说话的语言,上传文件或粘贴链接,多人说话就打开说话人识别,然后导出 DOCX、TXT、PDF、CSV、SRT 或 VTT。

下面会讲:视频可能来自的四个地方、只有视频才会遇到的问题、什么用途选什么导出格式,以及主流工具的价格对比,核对于 2026 年 11 月。

视频转文字工具是怎么工作的?

转换工具不看画面。它读取容器(MP4、MOV、MKV)里的音频流,做语音识别,再给每一句加上时间戳。幻灯片上的文字、屏幕上的代码、烧录在画面里的字幕,都不会进入文字稿。

所以文字稿的质量由声音决定,观众只能看到的内容要你自己补上。W3C 关于文字稿的指南,把包含这些画面信息的文字稿叫作描述性文字稿(descriptive transcript)。

你的视频在哪里?四种来源,四条路线

按视频现在所在的位置选路线。

你的视频…… 常见例子 最佳路线 先检查这一点
是设备上的一个文件 手机片段、相机素材、Zoom 或 OBS 录像、剪辑软件导出的文件 上传文件 小于 5GB 和 10 小时;语音所在的音轨是你要的那条
在网上、有链接 YouTube、Vimeo、Google Drive、Dropbox 粘贴链接 链接不用登录就能打开
正在你屏幕上播放 网络研讨会、产品演示、浏览器标签页里的通话 先录屏,再转写 录进了系统声音或标签页声音
已经有字幕 你自己上传的 YouTube 视频、带字幕轨的 MKV 直接用现成字幕;字幕质量差再转写 字幕是自动生成的还是人工编辑过的

1. 电脑或手机上的视频文件

上传剪辑软件或录制 App 导出的原始文件,不要用通过聊天软件发来的副本,那种副本的声音常被重新压缩过。whispertranscribe.ai 的视频转文字页面接受最大 5GB、最长 10 小时的文件。

2. YouTube、Vimeo、Google Drive 或 Dropbox 链接

我们的链接转写工具支持 YouTube、Vimeo、Google Drive 和 Dropbox 链接。最容易卡住的一条规则:链接必须是公开的。失败时,工具自己的提示会让你确认“the link is public and that the file can be downloaded without login”(链接是公开的,而且文件不用登录就能下载)。

Google Drive 的话,打开 Share(共享),在 General access(一般访问权限) 下选 Anyone with the link(知道链接的任何人)。Google 的共享帮助说,这样设置后别人不用登录就能打开文件。工作或学校账号可能不允许这样设置,那就先下载文件再上传。如果是 YouTube,YouTube 转写页面也是同样的粘贴链接步骤。

3. 正在屏幕上播放的内容

如果视频没有保存在任何地方,先把它录下来。基于浏览器的录屏工具可以录屏幕、摄像头、麦克风和系统声音,然后生成文字稿、AI 摘要和字幕。只要语音是从电脑里发出来的,比如通话里其他人的声音,就要把系统声音一起录上;否则你只录到了自己的麦克风。

4. 已经有字幕的视频

先看看文字是不是已经有了:

  • 别人的 YouTube 视频。 根据 YouTube 帮助,视频有字幕的话,观众可以在视频说明里点 Show transcript(显示文字稿) 跟着看。自动生成的字幕没有说话人标签,人名也经常识别错。
  • 你自己上传的 YouTube 视频。 可以在 YouTube Studio 里下载字幕轨。我们的 YouTube 视频转写指南把两种方法都讲了一遍。
  • 内嵌字幕轨的文件。 MKV 和 MP4 文件可以把文字字幕作为单独的流带在里面。FFmpeg 可以列出并提取出来:
ffprobe -v error -show_entries stream=index,codec_type,codec_name -of compact input.mkv
ffmpeg -i input.mkv -map 0:s:0 subtitles.srt

我们用 FFmpeg 7.1.5 在一个自己做的测试文件上跑了这两条命令:第一条列出了一个 subrip 流,第二条把它存成了 SRT。这只验证了语法。图片式字幕轨,比如 DVD 字幕,不能用这种方法存成文字。我们的 SRT 字幕导出指南会更深入地讲剪辑软件和时间码。

如何用 whispertranscribe.ai 把视频转成文字

下面的步骤参照线上的视频转文字页面,来自 whispertranscribe.ai。whispertranscribe.ai 是一款网页版 AI 转写工具,能把音频和视频转成文字,支持 130+ languages,单个文件最大 5GB、10 小时,基于 OpenAI 的 Whisper。它在网页浏览器里运行,不用安装 App。

  1. 选择说话的语言(页面上的第 1 步)。 列表涵盖 130+ languages(130 多种语言),包括 English (India) 这样的地区版本,很多语言还有 Noise / Low-Quality Audio/Video(噪声 / 低质量音视频)选项,会切换语言的视频可以选 Multilingual Mix(多语言混合)。
  2. 添加视频(第 2 步)。 把文件拖进框里,或者点击浏览选择。如果是链接,用链接转写,点 Start URL Transcription。
  3. 打开 Enable Speaker Detection(启用说话人识别),适用于采访、座谈和会议。只有一个讲述者就不用开。
  4. 开始转写,点上传框下面的转换按钮。
  5. 检查,然后导出。 对照视频核对人名、数字和说话人切换,然后下载你需要的格式(见下文的导出格式表)。

清晰音频的准确率 up to 99%(最高可达 99%)。背景音乐、环境噪声、重口音或多人同时说话都会拉低准确率,所以要留出校对时间。想先试一下,免费转写页面不用注册账号。不买方案能转写或导出多少,以网站上的设定为准,可能会变。付费方案 from $9.99/month billed annually(按年付费,每月 $9.99 起)(价格)。

可以上传哪些视频格式?

上传框在音频格式之外还列了这些视频容器:MP4、MOV、M4V、MKV、AVI、WMV、WEBM、MPG 和 MPEG。不用转换。

容器 通常来自哪里 上传前注意
MP4 手机、Zoom 录像、大多数剪辑软件导出 用最终导出的文件,别用聊天软件里的副本
MOV iPhone 相机、QuickTime、Apple 剪辑软件 高画质导出文件会很大;超过 5GB 就先提取音频
M4V Apple 风格的导出、一些转换工具 按 MP4 处理
MKV OBS 录像、带多条音轨的文件 确认语音在哪条音轨
AVI、WMV 老相机和 Windows 软件 直接上传即可;老文件的声音可能偏弱
WEBM 浏览器录制工具和网页工具 直接上传即可
MPG、MPEG DVD、老式摄像机、电视录制 直接上传即可;声音可能噪声较多

有多条音轨? OBS 可以每个麦克风存一条音轨,电影可能带多种语言配音。页面没说会转写哪一条。把你要的那条音轨提取成 MP3(例如 ffmpeg -i input.mkv -map 0:a:1 -vn speech.mp3 提取的是第二条音轨),再上传。

文件太大? 我们的视频转 MP3 工具页面说,它在你的浏览器里提取音频,不用上传视频,得到的 MP3 比原视频小得多。

为什么视频比音频难转写,以及怎么应对

视频会带来语音备忘录从来没有的问题。下面的办法是编辑上的常规做法,不是我们自己准确率测试的结果。

问题 为什么视频里会出现 怎么办
背景音乐 片头、空镜和 vlog 会在人声下面垫音乐 从剪辑软件导出只有人声的版本来转写;不行就选 Noise / Low-Quality 选项
多位说话人 座谈、拍成视频的播客、会议 打开说话人识别,然后把 "Speaker 1"、"Speaker 2" 统一改一次名
屏幕共享演示 关键信息在屏幕上,键盘和风扇声音大 手动补上屏幕上的文字;关掉通知,用近距离麦克风录
字幕和口型对不上 文字稿生成后视频又剪过或调过时间 用最终导出版本重新生成,或在字幕编辑器里整体平移时间戳
录像很长 网络研讨会、讲座和直播一录就是几小时 控制在 10 小时和 5GB 以内;更长的文件切分或提取音频
多种语言混杂 双语采访、说话中途切换语言的主持人 用 Multilingual Mix,或按语言切分视频

人声下面有音乐: 如果视频是你做的,导出一个把音乐静音的版本;时间轴长度不变,所以时间戳仍然对得上。(English (Songs & Lyrics) 选项是给唱出来的歌词用的,不是给配乐上的说话声用的。)

录屏: “点这里,再输入这个”写在纸上毫无意义。校对时用方括号补上屏幕上的细节,比如“[Settings > Billing]”。

超长视频

页面会拒收超过 10 小时的文件,并提示你缩短。FFmpeg 可以不重新编码就把长录像切开:

ffmpeg -i stream.mp4 -c copy -f segment -segment_time 18000 -reset_timestamps 1 part_%02d.mp4

这条命令要求切成每段 5 小时。我们在一个 12 秒的测试片段上以 5 秒为目标做了语法检查,第一段出来约 6 秒,因为不重新编码时切点会落在关键帧上。段长只是近似值,而且每段的时间戳都会从零重新开始。

该选哪种导出格式?

按文字接下来要去哪里选导出格式。同一份文字稿可以导出多次。

格式 是否保留视频播放器用的时间信息 用什么打开 适合你的视频文字稿要……
DOCX 否 Word、Google Docs 改写成文章、节目笔记或课程讲义
PDF 否 任何 PDF 阅读器 发给客户,或作为定稿存档
TXT 否 任何文本编辑器、CMS、AI 助手 粘贴到别处或做摘要
CSV 页面未说明 Excel、Google Sheets 逐条引语排序、编码或搜索
SRT 是 YouTube、Vimeo、Premiere、Resolve、VLC 在视频平台或剪辑软件里做字幕
VTT 是 HTML5 网页播放器、Vimeo、YouTube 在你自己网站的视频播放器里做字幕

如果主要是要字幕,字幕生成器和 MP4 转 SRT 工具有一个 Maximum Words per Subtitle(每条字幕最多词数)设置(默认 8),能让字幕行保持简短。whispertranscribe.ai 生成的是字幕文件,不会把字幕烧录进视频画面。我们的 SRT 文件是什么和如何给视频加字幕两篇指南讲了上传那一端。

四种常见工作的视频转文字流程

每个流程都从一个做好的视频开始,到一份可以发布或发送的东西结束。

在线课程和录播讲座

  1. 每节课单独导出一个文件,这样文字稿能和模块一一对应。
  2. 选讲师的语言和口音变体;只有学生也发言时才开说话人识别。
  3. 导出 SRT 给课程播放器用,导出 DOCX 做讲义,加上小标题,并用方括号补上公式等幻灯片内容。
  4. 按 W3C 的建议,把文字稿或文字稿链接放在视频正下方。

视频采访

  1. 尽量给每个人一支麦;说话人切换会更干净。
  2. 打开说话人识别上传,然后把通用标签换成名字。
  3. 研究访谈要编码就导出 CSV,写问答文章就导出 DOCX。
  4. 引用每一句之前都回放核对,并告诉受访者文字稿会怎么使用。

录下来的会议和网络研讨会

  1. 用平台录出的 MP4,或者用录屏工具打开系统声音把会议录下来。
  2. 打开说话人识别,然后导出 TXT 做摘要,导出 DOCX 做会议纪要。
  3. 把决定事项和负责人列成简短清单放在最前面。
  4. 删掉不再需要的文件。Teams 和 Zoom 的具体做法,见如何转写 Zoom 会议。

把你的 YouTube 视频改写成文章

  1. 把你自己视频的链接粘贴到链接工具里,导出 TXT。
  2. 删掉口头禅、说了一半重来的话,以及“大家可以看到这里”之类的片段。
  3. 每一章变成一个 H2,在你指着屏幕讲的地方加截图,在顶部嵌入视频。
  4. 想触达另一批受众,可以把音频翻译成英文,或者再加一条字幕轨。

只改写你拥有的、或获得使用许可的视频;见下文版权部分。

视频转文字工具对比(核对于 2026 年 11 月)

本指南由 whispertranscribe.ai 发布,所以我们排在第一,并列出我们自己的不足。数据来自各厂商页面,核对于 2026 年 11 月;“未核实”表示我们没能在那里读到这个数字。

工具 付费起价 免费选项 视频链接 语言 导出(按页面所列) 实际短板
whispertranscribe.ai From $9.99/month billed annually(按年付费,每月 $9.99 起) 可免费开始,无需账号;额度以网站设定为准 YouTube、Vimeo、Google Drive、Dropbox 130+ DOCX、PDF、TXT、CSV、SRT、VTT 没有自定义词汇、不能烧录字幕、没有人工转写、没有手机 App;链接必须公开
TurboScribe 按年付费 $10/月(按月付 $20) 每天 3 个文件,每个最长 30 分钟 YouTube(和上传格式列在一起) 98+ DOCX、PDF、TXT、CSV、SRT、VTT 一个账号只限一人用;免费文件排在低优先级队列
HappyScribe 按年付费 $8.50/月(按月付 $17),每月 120 分钟 AI 转写 10 分钟 AI 试用 YouTube、Vimeo、Drive、Box、Dropbox 150+ Basic:TXT、SRT、PDF、DOCX;VTT 从 Pro 起 长视频很快就用完 Basic 方案的分钟数
Descript 按年付费每人 $16/月(按月付 $24),10 媒体小时 每月 60 媒体分钟 未查 25 未查 媒体小时按每个上传文件计算,不管转没转写;为剪辑而做,不适合批量转写
VEED 未核实 不注册可试用;下载需注册;免费导出的视频带水印 未查 125+ 付费方案可导出 TXT、SRT、VTT 字幕和文字稿文件需要升级
Notta 按年付费 $8.17/月(每年 $97.99) 每月 120 分钟,每段对话最长 3 分钟 未查 58 导出需要 Pro 免费方案不能导出文字稿
YouTube "Show transcript" 免费 免费 仅限已有字幕的视频 字幕语言不一 无(只能看和复制) 没有说话人标签、没有文件、没字幕的视频用不了
  • TurboScribe 同样基于 Whisper,文件上限同样是 10 小时和 5GB;区别在方案结构、语言和链接来源。
  • HappyScribe 提供人工校对,每分钟 $2.00 起。我们不提供人工转写,所以需要人逐字核对的记录,它更合适。
  • Descript 和 VEED 首先是视频剪辑软件。想通过编辑文字来剪视频,或者把带样式的字幕烧录进画面,就用它们。
  • Notta 在付费方案里列了自定义词汇。我们没有。

视频以外更全面的对比,见我们的最佳 AI 转写软件盘点;纯音频文件见我们的音频转文字工具指南。

上传前的版权和隐私

本节是一般信息,不构成法律建议。

只转写你有权使用的视频: 你自己的录像、获得授权的素材,或你获准处理的材料。文字稿复制的是说出来的话,所以完整发布别人的文字稿,和转发别人的视频面临同样的问题。在美国,合理使用是根据四个因素逐案判断的,美国版权局指出,没有一个固定的使用量是自动安全的。whispertranscribe.ai 自己的政策把未经所有者同意转写他人受版权保护的音视频列为禁止用途。拿不准就问版权所有者或律师。

取得镜头里的人的同意。 告诉参与者录像会被转写。各地的同意规则不同;美国的情况见我们的各州通话录音法律指南。

知道文件去了哪里。 whispertranscribe.ai 的隐私政策简单来说是这样写的:

  • 上传的原始音频和视频文件在处理后自动删除。
  • 处理过程中提取的 MP3 文件默认保留 30 天,你可以提前删除。
  • 文字稿会一直留在你的账户里,直到你删除。删除是永久的,政策说不保留备份。
  • 你的内容不会用于训练 AI 模型,也没有人工查看。
  • 列出的安全措施:传输中的数据用 TLS 1.3,存储的数据用 AES-256。OpenAI 作为 AI 服务提供方列在其中。

同一份政策说,媒体文件转写仅供个人、非商业用途,所以用于客户或公司工作之前,先读完整的政策和条款。

常见问题

最好的视频转文字工具是哪个?

最好的视频转文字工具,是能处理好你真实素材的那个,所以拿你平时音频里同一段一分钟的样本,在几个候选工具上都跑一遍。长文件、多语言的话,whispertranscribe.ai 和 TurboScribe 都接受最长 10 小时的文件。HappyScribe 额外提供付费人工校对。Descript 和 VEED 适合还要剪视频的人。对比说话人标签、人名和导出格式,而不只是看宣传的准确率数字。

可以免费把视频转成文字吗?

可以,但有限制。已有字幕的视频,YouTube 会免费显示文字稿;FFmpeg 也能免费从 MKV 或 MP4 里提取现成的文字字幕轨。大多数转换工具也有免费入口:whispertranscribe.ai 有一个无需账号的免费页面,TurboScribe 每天给三个文件。免费档通常会限制时长、数量或导出,所以去各网站看清楚限制。

怎么把 YouTube 视频转成文字?

视频有字幕的话,在视频说明里点 Show transcript 就能跟着看。想要可下载、带说话人标签的文件,就把 YouTube 链接粘贴到链接转写工具里,选择说话的语言,导出 TXT、DOCX 或 SRT。视频必须是公开的,而且只应转写你拥有或获得使用许可的视频,因为文字稿复制的是说出来的内容。

视频转文字工具能识别屏幕上显示的文字吗?

不能。视频转文字工具转写的是音轨,所以幻灯片标题、代码和烧录在画面里的字幕,除非有人念出来,否则不会出现在文字稿里。教程和讲座,校对时自己用方括号把屏幕上的重要信息补上。W3C 把包含这些画面信息的文字稿叫作描述性文字稿,它对不看视频、只读文字的人都有帮助。

视频最长多久可以转写?

用 whispertranscribe.ai,单个文件最长 10 小时、最大 5GB,更长的文件会被拒收,并提示你缩短。更长的直播录像,用剪辑软件或 FFmpeg 切成几段,或者先把音频提取成 MP3,这样文件也会变小。其他工具有各自的限制:TurboScribe 免费方案每个文件到 30 分钟为止。

同一个视频能同时得到字幕和文字稿吗?

能。一次转写可以导出多次,所以同一个视频可以下载 DOCX 或 TXT 来阅读,再下载 SRT 或 VTT 做字幕。YouTube 和大多数剪辑软件用 SRT 更稳妥,HTML5 网页播放器适合 VTT。如果主要是要字幕,就用有每行词数设置的字幕工具,让每条字幕短到读得过来。

把你的下一个视频转成文字

先打开 whispertranscribe.ai 的视频转文字工具:设置说话的语言(130+ 种可选),拖入最大 5GB、最长 10 小时的视频,或者把公开链接粘贴到链接转写。

参考资料

想把录音转成文字?

用 whispertranscribe.ai 转录音频和视频。

开始转录 ↗