什么是语音转文字?原理和适用场景

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

什么是语音转文字?就是一种听人说话、再把话写成可编辑文字的软件。它也叫 speech to text,或自动语音识别(ASR)。它有两种形态:实时的,别人说话时文字同步出现;基于录音的,把一个现成的音频或视频文件变成文字稿。

先说明一下:whispertranscribe.ai 是我们做的产品,一个在浏览器里使用的转写服务。文中关于技术原理的说法,引用的是 Google、Microsoft、Apple、W3C 或一篇研究综述,不是我们的营销材料。

简短回答:什么是语音转文字?

语音转文字就是自动把语音变成文字:音频输进去,语音识别模型挑出最可能的词,软件再加上标点。

  • 别的叫法: speech to text、语音识别、ASR、语音输入(voice typing)、talk-to-text。
  • 两种模式: 实时(流式),用于打字和字幕;基于文件(批量),用于已经录好的内容。
  • 要注意的是: 准确率很大程度上取决于音频。噪音、离麦克风远、口音重、专业术语、多人抢话,都会增加错误。

语音转文字和 speech to text、听写、转写有什么区别

语音转文字(voice to text)和 speech to text 是一回事。听写是它的一种用法(对着文本框说话),转写是另一种(把录音变成书面记录)。“声纹识别”(voice recognition)不一样:它识别的是谁在说话。

W3C 的 Web 无障碍倡议(WAI)用 "speech recognition" 指把话变成文字,而 "voice recognition" 或 "speaker recognition" 留给那种识别说话人、而不是识别内容的技术。

术语 通常指什么 典型输出
Voice to text(语音转文字) 把语音变成文字的日常叫法 屏幕上或文件里的文字
Speech to text (STT) 同一个意思;软件文档里常用的说法 文字,常带时间戳
Automatic speech recognition (ASR,自动语音识别) 这个技术领域,以及背后的模型 最可能的词序列
Dictation(听写)或 voice typing(语音输入) 对着文本框说话,代替打字 打在光标处的文字
Transcription(转写) 一段录音或一场活动的书面记录 可编辑、可搜索、可导出的文字稿
Live captions(实时字幕) 音频播放时同步显示的文字 屏幕上的字幕,通常不保存
Voice recognition 或 speaker recognition(声纹/说话人识别) 识别是谁在说话 说话人标签,不是文字内容

简单说,听写都属于语音转文字,但语音转文字不全是听写。一段 90 分钟的采访需要转写;不用手回一封邮件,需要的是听写。

语音转文字是怎么工作的?

所有语音转文字系统都是这几步:采集音频,把声音变成数字特征,用训练好的模型找出最可能的词,再把结果整理好。过去十年变的,是模型的构建方式。

  1. 采集。 麦克风或音频文件提供数字信号。Google 的 Cloud Speech-to-Text 文档建议,能选的话以 16,000 Hz 采集。采样率更低可能影响准确率,更高则没有明显差别。
  2. 特征提取。 信号被切成很短的帧,转成特征,通常是频谱图,显示声音能量在各个频率上随时间怎么变化。
  3. 识别。 模型把这些特征对应到最可能的词序列。
  4. 格式化。 系统加上标点、大小写,有时还有时间戳或说话人标签。

传统做法:声学模型加语言模型

几十年来,语音识别都是拆成几个独立部分来做的。2023 年一篇端到端语音识别的综述,把传统系统描述为四个组成部分:声学特征提取、声学建模、语言建模,以及一个搜索步骤,由它挑出整体最优的结果。

  • 声学模型估计每一小段音频里是哪些语音。传统系统在这里用隐马尔可夫模型,来应对不同的语速。
  • 发音词典把这些语音和词对应起来。
  • 语言模型给词序列打分,判断哪种更可能,所以系统会选 "recognize speech",而不是一串读音相近却没意义的词。

现代做法:端到端模型

较新的系统大多是端到端的:一个神经网络在已转写的语音上训练,直接学会从音频到文字的整个映射。同一篇综述指出,深度学习让词错误率比以往的建模方式相对降低了 50% 以上,端到端模型也已成为主流做法。OpenAI 的 Whisper 就是一个知名例子;我们在关于什么是 Whisper AI 的指南里会详细讲。

传统流水线 端到端模型
结构 独立的声学模型、发音词典和语言模型 从音频到文字只有一个神经网络
训练需要什么 人工整理的词表和音素集,加上好几个训练阶段 大量已转写的语音
典型弱点 各部分分开训练,可能累积错误、增加成本 需要大量已转写语音;更难利用纯文本数据
语言知识 单独的语言模型 在网络内部学到;也可以外接一个语言模型

实时转写和文件转写:有什么不同?

实时(流式)语音转文字在对方还在说话时就显示文字,适合听写和实时字幕。文件(批量)转写处理的是已经录完的录音,之后返回完整文字稿,适合采访、会议和讲座。

Google 的 Cloud Speech-to-Text 有三种请求类型:同步请求,用于 1 分钟及以内的音频;异步请求,用于最长 480 分钟的文件;流式请求,“在用户还在说话时”("while a user is still speaking")就返回临时结果。Microsoft 的 Azure Speech 文档也有类似的划分:实时、快速和批量转写(两者均核对于 2026 年 11 月)。

实时(流式)语音转文字 基于文件(批量)的转写
文字什么时候出现 你说话的同时;随着更多音频进来,临时结果里的词可能会变 录音处理完之后
典型用途 听写、实时字幕、语音助手 采访、会议、讲座、播客、视频字幕
最后留下什么 文本框或字幕窗口里出现的内容 可编辑、可导出的文字稿
主要取舍 要速度,不求精细 要等一会儿,但可以换设置重新跑一遍

一个实用的判断方法:如果这些文字不是马上要用,就录一段干净的音频,再转写文件。原始录音留着,任何一句都能回头对照。

语音转文字都用来做什么?

人们用语音转文字来不打字也能写东西、把录音变成可搜索的笔记、给视频加字幕,以及让语音内容更无障碍。Microsoft 的文档还列出了呼叫中心的用途,比如通话后分析。

用途 常用模式
用语音写邮件、消息和草稿 实时听写
会议和采访记录 文件转写,或者用实时模式快速记一下
讲座和研讨会笔记 先录音,再做文件转写
视频字幕 文件转写,导出 SRT 或 VTT
语音备忘录和通话录音 文件转写
为聋人和听障人士,或者无法使用键盘的人提供无障碍支持 实时字幕和听写

课堂场景可以看我们的讲座录音 app 指南。

手机和电脑上的语音转文字在哪里

大多数设备都已经自带用来打字的语音转文字:Windows 11 上按 Windows logo key + H,Mac 或 iPhone 上用 Dictation,Android 上用 Google Gboard 键盘的麦克风。这些工具会把字打进你当前所在的输入框;它们不能转写你已有的录音。

平台 自带功能 怎么开始(按官方帮助页) 需要联网吗?(按页面说法)
Windows 11 Voice typing 把光标放进文本框,按 Windows logo key + H 需要。Microsoft 说语音输入使用由 Azure Speech 驱动的在线语音识别
Mac Dictation 在 System Settings、Keyboard、Dictation 中打开。用 Microphone 键、你设置的听写快捷键,或 Edit、Start Dictation 启动 视情况而定。Keyboard 设置里会显示一般听写是不是在你的 Mac 上处理
iPhone Dictation Settings、General、Keyboard、Enable Dictation。然后点键盘上的麦克风 很多时候不需要。Apple 说在许多语言下 Dictation 在 iPhone 上运行,不需要联网
Android Gboard 语音输入 在任何能打字的 app 里,点键盘顶部的 Microphone Google 的页面没有说明

官方页面上的几个细节:

  • Windows: Microsoft 的语音输入指南也讲到了可选的自动标点设置。
  • Mac: 按 Apple 的 Mac 听写指南,30 秒没说话听写会自动停止,没把握的词会用蓝色下划线标出,比如你想说 "flower",它写成了 "flour"。
  • iPhone: Apple 的 iPhone 听写指南列出了用来加标点和编辑的口头指令。
  • Android: Google 的 Gboard 帮助页提到,talk-to-text 不支持所有语言,部分步骤需要 Android 7.0 或更高。

不同版本的菜单名称会变,请按你设备对应的帮助页操作。

语音转文字有多准?有哪些局限?

一个人离麦克风很近、音频清晰时,现在的语音转文字大部分词都能识别对。噪音、距离、浓重口音、专业词汇、多人同时说话,都会让准确率下降。不存在一个统一的准确率数字;录音本身和软件一样重要。

标准的衡量指标是词错误率(WER):把系统替换、漏掉或多加的词数加起来,除以人工核对过的文字稿的词数。我们关于 Whisper 有多准的文章会展示,从干净的有声书到远场会议录音,WER 能差多少。

局限 原因 怎么改善
口音和方言 有些口音在训练数据里出现得少得多 选对地区版本;先用一小段测试
背景噪音和距离 噪音和回声会让语音信号变模糊 离麦克风近一点,换个安静的房间,或者用耳麦
术语、人名和生僻词 模型偏向常见词 自定义词表(Microsoft 叫 phrase lists),或者校对人名和数字
多人说话和抢话 重叠的声音很难分开;标注说话人是另一项任务,叫 diarization(说话人分离) 一次一个人说;核对说话人标签
电话和低质量音频 Google 指出,大多数传统电话音频是 8,000 Hz,结果可能不那么准 用更高质量录音;对旧音频做升采样没用
读音相同的词 "Flour" 和 "flower" 读音一样 发出去之前再读一遍

两个习惯能抓住大部分错误:每个人名、数字和技术术语都对照音频核一遍;实时字幕当作参考,不要当作记录。

语音转文字与无障碍

语音转文字在两个方向上都有帮助。听写让人用说话来写字;W3C 列举的依赖它的人群包括肢体残障、重复性劳损、认知或学习障碍的人。字幕和文字稿则让聋人和听障人士能跟上音频内容。

对于有听力障碍的人,W3C 的听力障碍页面说,音频内容需要文字稿和字幕这样的替代形式。它也提醒,自动字幕“通常太不准确,不能作为替代形式依赖”("usually too inaccurate to rely on as an alternative"),因为它们会漏掉专业术语,还会把句子连在一起。解决办法是发布前先审核、改正输出结果。两种格式的区别,可以看我们的 subtitles 与 captions 对比指南。

手机上也有实时工具。Apple 的 Live Captions(iPhone 11 或更新机型)会实时转写 app 里或周围环境的声音;Apple 说不要在高风险或紧急情况下依赖它。Android 上 Google 的 Live Transcribe 会把语音和声音显示成文字,除非你使用离线语言,否则需要联网。

怎么选语音转文字工具:5 个标准

先想清楚你要产出什么。发一条简短消息,系统自带的听写就够了。处理长录音的话,按下面五点来评估文件转写工具。

  1. 实时还是录音? 用语音打字,需要能在你的 app 里用的听写。已有录音,需要能接受文件、最好也能接受链接的工具。
  2. 语言和口音支持。 确认你要用的模式支持你的语言和地区版本;实时模式和文件模式支持的语言不一定一样。
  3. 音频去了哪里。 有些工具在设备上处理语音,有些会发到服务器。上传敏感录音前先读隐私页面,录别人之前先征得同意。
  4. 能拿到什么结果。 看有没有说话人标签、时间戳、编辑器,以及 DOCX、TXT、SRT 或 VTT 这类导出格式。
  5. 时长限制和费用。 查一下最长能处理多长的文件、最大能上传多大,以及价格怎么随音频时长增加。

如果预算优先,我们的最佳免费转写软件汇总对比了各家的免费版。

whispertranscribe.ai 适合做什么

whispertranscribe.ai 是一个在浏览器里把录音变成文字的服务,也能用麦克风做实时转写。它不是听写工具:不会往其他 app 里打字,也没有桌面 app。以下来自我们的产品页面:

  • 上传录音。 用在线语音转文字处理 MP3、WAV、M4A、MP4 和 MOV 等音视频文件,最大 5GB,最长 10 小时。文件转写支持 130+ languages,可选说话人识别。
  • 从链接转写。 把 YouTube、Vimeo、Google Drive 或 Dropbox 链接粘贴到 Transcribe from URL。
  • 在浏览器里录音。 不用安装任何东西就能录下你的声音并转写,或者上传语音备忘录。
  • 实时转写。 实时转写页面会录下你的麦克风,实时把语音显示成文字。你可以选择说话的语言和麦克风,也可以打开说话人识别。它的语言列表比上传功能的短。
  • 导出。 DOCX、PDF、SRT、VTT、TXT 和 CSV;AI 字幕生成器可以生成字幕文件。通话录音也能转:见电话录音转写。

在清晰音频上准确率 up to 99%;背景噪音、浓重口音和多人抢话会让它下降。付费方案 from $9.99/month billed annually(价格),也可以免费开始,无需注册账号。完整功能见功能页面。

常见问题

语音转文字和 speech to text 是一回事吗?

是。两个名字说的是同一种技术:听到语音、生成可编辑文字的软件。在 Google 和 Microsoft 的开发者文档里,"speech to text" 更常见;而 "voice to text" 是大多数人在搜索框里输入的说法。两者都依靠自动语音识别。需要分开的是 "voice recognition",W3C 用它指识别是谁在说话,而不是说了什么。

语音转文字和听写是一回事吗?

不完全是。听写是语音转文字的一种用法:你对着文本框说话,文字出现在光标处,比如 Windows 语音输入或 Apple Dictation。语音转文字还包括转写,就是把采访、讲座或会议这样的一整段录音变成可编辑的文字稿。要写新内容,用听写。已经有音频、需要一份书面记录,用转写工具。

语音转文字需要联网吗?

要看工具。Microsoft 说,Windows 语音输入需要联网,因为它用的是在线语音识别。Apple 说,iPhone 的 Dictation 在许多语言下在设备上处理,不需要联网;Mac 的 Keyboard 设置里会显示你的听写是不是在 Mac 上处理。Google 的 Live Transcribe 除非用离线语言,否则需要联网。云端转写服务,包括在浏览器里用的那些,都需要联网来上传和处理音频。

语音转文字免费吗?

在大多数设备上,基础的语音转文字是免费的。Windows、macOS、iOS 和 Android 都自带语音输入或听写,不另收费,不过支持的语言各不相同。转写长录音通常才开始花钱:很多服务提供免费试用或免费版,之后按音频时长或订阅收费。付费之前,查一下你考虑的方案允许的最长文件和最大上传量、支持哪些语言,以及包含哪些导出格式。

语音转文字有多准?

一个人离麦克风很近、音频清晰时,现在的语音转文字大部分词都能识别对,但没有一个通用的准确率数字。背景噪音、回声、离麦克风远、浓重口音、技术词汇和多人抢话,都会让错误增加。常用的衡量指标是词错误率,它统计被替换、漏掉和多出来的词。在依赖一份文字稿之前,一定要对照音频核对人名、数字和专业术语。

语音转文字能分辨谁在说话吗?

有些工具可以。标注谁在什么时候说话,是另一个步骤,叫说话人分离(speaker diarization),不是每个工具都有。系统自带的听写默认只有一个说话人:你。转写服务常常会加说话人标签;比如 Microsoft 的 Azure Speech 文档写明,说话人分离最多支持 35 个说话人。声音差别明显、大家不互相抢话时,标签效果最好,所以如果录音里声音相近或有人抢话,要核对一下标签。


有录音要变成文字? 上传到 whispertranscribe.ai,得到 130+ languages 的文字稿,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 ↗