什么是 AI 转写?原理、容易出错的地方,以及怎么选工具

作者:whispertranscribe.ai Editorial Team · 最后更新:2026 年 11 月 · 阅读约 12 分钟 · 分类:转写基础

AI 转写,就是用语音识别模型把录好的或实时的语音自动变成文字。软件先把音频转成声学特征,预测最可能的词,再加上标点、时间戳,很多时候还会标出说话人。它又快又便宜,但准确率取决于录音本身,所以重要的文字稿仍然需要人工核对。

先说明一下:whispertranscribe.ai 是我们做的产品,一个基于 OpenAI Whisper 模型、在浏览器里使用的转写服务。下文的技术说法引用的是 IBM、AWS、Google Cloud、Microsoft 和 Whisper 论文;为写这篇文章,我们没有做任何准确率测试。

简短回答:什么是 AI 转写?

AI 转写是一种不用人打字就能把语音记下来的软件:一个自动语音识别(ASR)模型,加上把文字整理成可用记录的几个步骤。

  • 输入: 音频或视频文件、文件链接,或者实时麦克风。
  • 引擎: 用大量已转写语音训练出来的 ASR 模型。
  • 输出: 可编辑的文字,通常带标点、时间戳和说话人标签,可导出为文档或字幕文件。
  • 最适合: 采访、会议、讲座、播客和字幕,快速出一版初稿能省下好几个小时。
  • 弱点: 噪音、麦克风离得远、多人抢话、口音重、人名和专业术语。
  • 经验法则: 初稿交给 AI,凡是要引用、要存档、要被人依赖的内容,交给人来核。

用语音打字属于听写,是另一件事;我们关于什么是语音转文字的指南会讲清两者区别,并对比传统识别器和端到端识别器。

AI 文字稿里到底有什么

AI 文字稿不只是一堆字。大多数工具会返回好几层信息,先想清楚自己需要哪几层,选工具的范围很快就能缩小。

层 是什么 为什么重要
词 模型对说话内容的最佳猜测 记录的核心
标点和大小写 断句、逗号、专有名词 让文字可读、可引用
数字格式化 写成 "$900",而不是 "nine hundred dollars" 省去整理价格和日期的功夫
时间戳 每个词或每段的开始和结束时间 能跳回对应音频,也能用来做字幕
说话人标签 每一轮发言标成 "Speaker 1"、"Speaker 2" 把一段对话变成能读的脚本
导出格式 DOCX、PDF、TXT、CSV、SRT、VTT 等 决定文字稿接下来能用在哪里

就算每个词都对,没有说话人标签,一场六个人的会议照样没法读。所以比较工具之前,先想好你需要哪几层。

AI 转写是怎么工作的?

AI 转写分几个阶段:音频先数字化,再转成数值特征,解码成最可能的词,最后补上说话人标签、时间戳和格式。

第 1 步:采集并数字化音频

语音一开始只是空气中的振动。AWS 介绍了模数转换器如何测量声波、过滤,再切成极小的片段,以百分之一秒或千分之一秒计。AWS 还提到,英语大约有 40 个音素,也就是区分不同单词的声音单位。

第 2 步:把声音变成特征

原始信号会被转成紧凑的数值描述。IBM 的语音识别介绍把识别器拆成几部分:输入的语音、输出特征向量的特征提取环节、解码器,以及最终的文字输出。特征向量概括的是每一刻有哪些频率。

第 3 步:解码出最可能的词

解码器会挑出和特征最吻合的词序列。按 IBM 的说法,它依赖三样东西:声学模型(出现了哪些声音)、发音词典(哪些声音组成哪些词)和语言模型(哪些词序列更可能出现)。

第 4 步:端到端模型把流程合成一步

现代系统常常用一个神经网络取代上面那些分开的部件,这个网络用配好文字稿的音频训练。OpenAI 的 Whisper 论文描述的是一个编码器-解码器 Transformer,直接预测文字稿的原始文本,标点和大小写都包括在内。作者指出,这样就不再需要单独做一步逆文本规范化,也能得到自然的文字稿。模型本身的介绍见我们关于什么是 Whisper AI 的指南。

第 5 步:分清谁在什么时候说话

说话人分离(diarization)和识别词是两项独立的任务。Google Cloud 的说话人分离文档说明,系统会检测说话人何时切换,并给每个词标上所属声音的编号;你需要设定预计的最少和最多说话人数。Amazon Transcribe 的说话人划分指南说它最多能区分 30 个说话人,标签从 spk_0 到 spk_29。标签是编号,不是名字,名字得你自己填。

第 6 步:加时间戳和格式

Google 和 AWS 的输出都会给词或片段附上开始和结束时间,可点击跳转的文字稿和字幕文件靠的就是这些时间。最后一步是排版文字。Microsoft 的语音文档把这一显示层单独衡量,用的是标记错误率,把标点、大小写和数字格式都算进去,比如 "$900" 和 "nine hundred dollars" 的区别。

AI、人工和混合转写怎么选

AI 转写胜在速度和成本;如果每个字都必须对、而且要有人为结果负责,人工转写更好;介于两者之间的大多数工作,用混合方式就够了,也就是 AI 出初稿、人来核对。

AI 转写 人工转写 混合(AI 初稿 + 人工审核)
怎么做出来 语音识别模型,没有人参与 训练有素的转写员边听边打 AI 出初稿,你或专业人员修改
成本 通常是订阅或按分钟收费;我们的价格 from $9.99/month billed annually 按音频分钟计价;Rev 标的人工转写价格从每分钟 $1.99 起(checked November 2026) AI 费用加上审核人的时间
交付时间 通常几分钟,取决于文件长度和服务负载 Rev 写的是 12 小时或更短,另有加急选项(checked November 2026) 初稿几分钟,再加审核时间
准确率取决于 录音质量、口音、术语、抢话、语言选择 转写员水平、音频质量,以及给他们的说明 主要看审核人对人名、数字和说话人轮次是否仔细
谁负责 没有人为文字负责 服务商担保;Rev 写明人工文字稿准确率 99%+ 谁审核谁负责
最适合 笔记、初稿、检索、你会自己检查的字幕、研究编码 法律文件、公开发表的引语、别人要依赖的记录 采访、质性研究、新闻报道、交给客户的成品

按每分钟 $1.99 算,一段 45 分钟的采访在加购项之前是 $89.55,这是用 Rev 标价做的简单算术。

一套好用的混合流程

  1. 先跑 AI,选对语言,打开说话人检测。
  2. 修正说话人标签并改成真名,后面所有核对都要靠它。
  3. 搜索人名、数字和术语,每一个都对照音频核实。
  4. 重听有疑问的段落: 抢话、笑声、音乐,以及任何读起来比你听到的还要通顺的地方。
  5. 定好风格: 保留口头禅和说错重来(逐字稿),还是删掉(清理版逐字稿),然后全篇统一。

做研究的读者可以在我们关于质性研究访谈转写的指南里找到审核流程。

哪些因素影响 AI 转写准确率?

AI 转写准确率主要取决于录音:麦克风离得多近,噪音和重叠说话有多少,模型对说话人的口音和词汇熟不熟。

Microsoft 关于词错误率的说明提供了一个好用的诊断方法。它把每种错误和可能原因对上:删除多,通常说明音频信号弱;插入多,多半是噪音和抢话;替换多,往往是模型没怎么见过的领域术语。

因素 为什么有影响 常见错误 怎么改善
麦克风距离和音量 信号弱,模型只能猜 漏词(删除) 离说话人近一点录;用领夹麦或耳机麦
背景噪音和音乐 噪音盖住了语音 多出词或错词 换安静的房间;工具有噪音专用语言模式就用上
多人同时说话 两个声音混成一个信号 句子粘在一起,说话人标错 请大家轮流说;每人单独录一条音轨
口音和方言 有些口音在训练数据里出现得少 词被换掉 选对应地区的语言变体;先拿一小段试
人名、术语、缩写 模型偏向常见词 看似合理但错误的词(替换) 准备一份术语表,在文字稿里逐个搜索
语言设置错误或混合语言 模型用错误的语言解码 乱码或不想要的翻译 自己设定语言;中途切换语言就用混合语言选项
电话录音或压缩严重的音频 带宽窄,细节丢失 错误散布全篇 用原始录音,不要用二次压缩的副本

没有放之四海皆准的准确率数字。各家公布的数字,包括我们的,说的都是清晰音频:whispertranscribe.ai 在清晰音频上可达 up to 99%,背景噪音、重口音和抢话都会让它下降。公开的基准测试成绩,以及怎么测你自己的文件,见我们关于 Whisper 有多准的文章。

AI 转写适合谁,什么时候不够用?

谁需要从录音里得到可搜索、可编辑的文字,又想比自己打字快,AI 转写都适合。但如果一个错误可能伤害到别人、带来法律风险,或者会进入永久记录,光靠 AI 就不够。

场景 只用 AI 行吗? 还要加什么
会议记录和课堂笔记 通常可以 快速核对决定、术语和数字
要发布的播客和视频文字稿 只能当初稿 发布前校对;核对说话人名字
字幕 只能当初稿 检查时间轴和拼写;可能涉及无障碍规定
新闻报道和公开引语 只能当初稿 每句引语都对照音频核实
质性研究访谈 只能当初稿 全文审核;按伦理审批的要求处理数据
法律程序、取证笔录、证据 不能单用 合格的人工转写和审核
医疗和临床记录 不能单用 临床人员审核,并选择满足你监管义务的服务商

法律、医疗和研究用途,稳妥的做法是 AI 初稿加仔细的人工审核,并使用你所在机构批准的工具。以上为一般信息,不构成法律或医疗建议。whispertranscribe.ai 没有 HIPAA、GDPR 或 SOC 2 认证,如果你的工作要求其中任何一项,请选择有相关文件的服务商。给别人录音还涉及同意问题;我们关于美国各州通话录音法律的指南介绍了美国的规定。

隐私:上传前要问的 6 个问题

上传敏感录音之前,先从服务商的隐私政策里拿到这六个问题的书面答案,别只看落地页。每个问题后面附上 whispertranscribe.ai 隐私政策的说法(checked November 2026)。

  1. 我的录音会被拿去训练别人的 AI 吗? 我们的政策写明,录音、音频文件和文字稿内容不会用于训练、微调、评估或改进我们自己或第三方的 AI 模型,替我们处理内容的服务商也不得这样使用。
  2. 会有人听我的文件吗? 政策写明我们不对录音或文字稿做人工审查;内容全部自动处理。
  3. 文件保存多久? 你上传的原始文件在处理完成后自动删除。服务提取出的 MP3 默认保存 30 天后删除。文字稿会一直留在你的账户里,直到你删除。
  4. 能全部删掉吗,删了就彻底没了吗? 你可以随时删除保存的音频、文字稿和 MP3 文件,也可以申请删除整个账户。删除是永久的,政策说删除的内容没有备份、无法恢复,所以想保留的先下载。
  5. 还有谁会处理我的音频? 政策列出 OpenAI 为 AI 服务和功能提供方,另有网站使用的分析服务商。
  6. 数据怎么保护? 政策写明网络传输中的数据用 TLS 1.3,存储的数据用 AES-256。

你列入候选的每个工具,都拿这六个问题去问;答得含糊或者根本不答,本身也是一种答案。

怎么选 AI 转写工具:一份清单

选 AI 转写工具,要用你自己的录音和输出需求去试,而不是看宣传的准确率数字。拿一个真实文件,把下面这份清单过一遍。

检查项 合格标准
你的语言和口音 文件转写支持列表里有你的具体语言和地区变体
你最长的文件 单个文件的大小和时长上限超过你最长的录音
音频怎么进来 支持你手上的形式:文件、链接、浏览器录音或会议工具
说话人标签 在你的测试文件上标得准,而且可以改说话人名字
导出 你要的格式(DOCX、SRT、CSV…)包含在你要买的方案里
编辑 改文字时可以同时播放音频
隐私答案 上面六个问题都有清楚的书面答案
按你的用量算价格 算过一个正常月份的花费,包括单文件上限和超额费用

按用途对比具体工具,见我们的最佳 AI 转写软件盘点。

怎么用 whispertranscribe.ai 做 AI 转写

whispertranscribe.ai 在网页浏览器里运行:选择语言,通过上传、链接或录音添加音频,打开说话人检测,然后导出结果。下面是我们 Whisper AI 转写工具页面上的流程。

  1. 选择说话的语言。 从 130+ languages 中选。好几种语言有地区变体和 "Noise / Low-Quality Audio/Video" 模式,Multilingual Mix 选项可以处理中途切换语言的录音。
  2. 添加音频。 上传 MP3、WAV、M4A、MP4、MOV 或 MKV 等音视频文件,每个最大 5GB、最长 10 小时。也可以把 YouTube、Vimeo、Google Drive 或 Dropbox 链接粘贴到从 URL 转写,或者在浏览器里录下你的声音。视频文件见视频转文字;采访见采访转写。
  3. 开始前打开 Enable Speaker Detection,前提是不止一个人说话。
  4. 转写并审核。 对照音频检查说话人轮次、人名和数字。
  5. 导出。 下载 DOCX、PDF、TXT 或 CSV,或者 SRT、VTT 字幕文件;字幕生成器是专门做字幕的。

我们没有的:没有手机或桌面 App,没有人工转写或校对,没有 API,也没有自定义词表。付费方案 from $9.99/month billed annually(价格);其他功能见功能页,短录音可以用在线语音转文字。

AI 转写术语表

这些是你在产品页和文档里会碰到的词。

术语 通俗解释
ASR(自动语音识别) 把说的话转成文字的技术;IBM 提到它也叫 speech-to-text(语音转文字)。它和声纹识别不同,后者是识别谁在说话。
端到端模型 一个直接把音频映射成文字的神经网络,取代分开的声学模型、发音模型和语言模型。
WER(词错误率) Microsoft 的定义是:插入、删除和替换的数量之和,除以人工标注参考文字稿的词数。越低越好。
TER(标记错误率) 和 WER 类似,但把标点、大小写和数字格式错误也算进去。
说话人分离(Diarization) 按说话人切分音频,标出谁在什么时候说话,通常用编号表示。
时间戳 附在词或片段上的开始或结束时间,用于定位和字幕。
逐字稿(Verbatim) 保留口头禅、说错重来和非语音声音的文字稿。
清理版逐字稿(Clean verbatim) 为了好读删掉口头禅和说错重来的文字稿,意思不变。
逆文本规范化(ITN) 把口语形式转成书面形式,比如把 "twenty twenty-six" 转成 "2026"。

常见问题

什么是 AI 转写?

AI 转写就是用语音识别模型,把音频或视频里的语音自动转成文字,不需要人打字。大多数工具还会加上标点、时间戳和说话人标签,并能把结果导出为文档或字幕文件。它比人工转写快得多、便宜得多,但准确率取决于录音质量,所以在依赖这份文字之前,先核对人名、数字和引语。

AI 转写是怎么工作的?

音频先被数字化,再转成描述声音的数值特征。接着模型解码出最可能的词:传统系统组合使用声学模型、发音词典和语言模型,而 Whisper 这样的现代端到端模型只用一个神经网络。另外几个步骤负责标注说话人(这叫说话人分离)、附上时间戳,并整理标点和数字格式,让文字稿读起来像书面文字。

AI 转写准吗?

如果是近距离麦克风录的清晰音频,现代 AI 转写大部分词都能识别对;whispertranscribe.ai 在清晰音频上可达 up to 99%。背景噪音、麦克风离得远、多人同时说话、口音重和专业词汇都会拉低准确率。没有一个准确率数字适用于所有录音,所以先拿自己的一小段音频试试,并且一定要核对人名、数字和任何你打算引用的内容。

AI 转写比人工转写好吗?

它更快、更便宜,但不更可靠。AI 通常几分钟就给出初稿,人工服务要几个小时;Rev 标的人工转写价格从每分钟 $1.99 起,担保准确率 99%+(checked November 2026)。笔记、研究编码和初稿,用 AI 再加上你自己的审核通常就够了。法庭文件、医疗记录或公开发表的引语,请用合格的人工转写,或者做仔细的人工审核。

机密录音用 AI 转写安全吗?

可以安全,前提是服务商的书面政策符合你的需求。查清楚你的音频会不会用于训练 AI 模型、会不会有人审查、文件保存多久、删除是否永久、哪些第三方会处理、数据怎么加密。如果你的工作要求 HIPAA、GDPR 或 SOC 2 相关文件,请选择能提供的服务商。以上为一般信息,不构成法律建议。

AI 转写能区分不同的说话人吗?

能,前提是工具带说话人分离功能。它会检测说话人何时切换,并给每轮发言标上编号,比如 Speaker 1 和 Speaker 2,之后由你改成名字。比如 Amazon Transcribe 的文档写明最多支持 30 个说话人。声音相似、大家互相插话,或者所有人共用一个离得远的麦克风时,标签最不可靠,所以引用任何人的话之前先检查一遍。


想拿一段真实录音试试 AI 转写? 用 whispertranscribe.ai 开始,无需注册账号:文件最大 5GB,130+ languages,说话人检测,可导出 DOCX、PDF、SRT 和 VTT。

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 ↗