作者:whispertranscribe.ai 編輯團隊 · 最後更新:2026 年 11 月 · 閱讀約 13 分鐘
音訊轉文字工具,就是把錄下來的語音變成可編輯、可搜尋文字的工具。線上版直接在瀏覽器裡用:你上傳檔案,服務商伺服器上的語音辨識模型處理它,然後你下載逐字稿。挑選時看這幾樣:檔案限制、支援的語言、說話者標籤、匯出格式和隱私條款。
兩個在落地頁上看起來差不多的工具,能處理的檔案長度可能差十倍,也可能有一個會拿你的錄音訓練 AI。下面會講:在任何廠商頁面上都能核實的檢查項、6 款工具比較、5 步操作流程、音訊準備清單、問題排除問題表,以及該拿去問隱私權政策的 6 個問題。
聲明。 本指南由 whispertranscribe.ai 發布,並把自家工具排在第一位。每個競品資料都連結到對方公司的頁面,均於 2026 年 11 月核對(2026 年 11 月核對)。寫這篇文章時我們沒有做準確率測試,所以文中沒有測試分數。
簡短回答:線上音訊轉文字工具是做什麼的?
它接收一個音訊檔案或連結,返回文字,通常帶時間戳記,很多還附說話者標籤。現在大多數工具用的是神經網路語音辨識模型;比如 whispertranscribe.ai 和 TurboScribe 都基於 OpenAI 的 Whisper 模型系列。whispertranscribe.ai 是一款網頁版 AI 轉錄工具,能把音訊和影片轉成文字,支援 130 多種語言,單個檔案最大 5GB、10 小時。
基本流程到哪兒都一樣:
- 上傳檔案,比如 MP3、WAV 或 M4A,或者貼上連結。
- 設定口語語言,以及說話者偵測之類的選項。
- 校對並匯出為文件格式(DOCX、PDF、TXT)或字幕格式(SRT、VTT)。
適合用它的情況: 你手上已經有錄音,想要說話者標籤或時間戳記,也能接受雲端處理。不適合的情況: 音訊絕不能離開你的電腦(用離線工具);每個字都要有人擔保(用人工服務);或者你想邊說邊出字(那是聽寫,手機和電腦內建)。
音訊轉文字工具怎麼選:8 項可以核實的檢查
別看「快」「准」「安全」這類形容詞,去找每個詞背後寫明的限制。下表列出這些資訊通常寫在哪裡,以及哪些情況該讓你猶豫。
| 檢查項 | 要看什麼 | 通常寫在哪裡 | 危險信號 |
|---|---|---|---|
| 1. 檔案大小和長度上限 | 既有大小(GB)上限,也有長度(小時)上限 | 價格頁、上傳幫助 | 只給一個數字,或者上傳後才發現的免費上限 |
| 2. 語言 | 你的語言及地區變體;需要的話還要有混合語言模式 | 語言清單 | 一個整數,背後沒有具體清單 |
| 3. 說話者偵測 | 你的方案裡有,而且開啓後不改變檔案限制 | 功能清單、上傳幫助 | 一開啓長度上限就變短 |
| 4. 匯出格式 | 你要用的方案裡有你需要的格式 | 價格比較表 | 宣傳有 DOCX 或 SRT,免費那一欄卻沒有 |
| 5. 隱私條款 | 保留期限、刪除、AI 訓練、人工審核、列明的第三方 | 隱私權政策、安全 FAQ | 只有安撫性說法,沒有保留期限或訓練方面的聲明 |
| 6. 註冊 | 能否在註冊帳號或填銀行卡之前先試一個檔案 | 免費工具頁、價格 FAQ | 「免費」試用卻要綁卡 |
| 7. 計費方式 | 每月分鐘數、按小時包,還是帶合理使用規則的統一「無限」 | 價格頁和 FAQ | 用量不均時分鐘數會過期作廢 |
| 8. 準確率說法 | 寫明條件,比如「on clear audio」(音訊清晰時) | 產品頁、FAQ | 只有百分比,沒有條件或來源 |
最容易踩坑的是兩項。檔案上限會疊加:一個方案可能允許上傳 1 GB,但到 3 小時就停,或者上傳次數和分鐘數分開算。「免費」差別很大,從每天三個短檔案到只能用一次的 10 分鐘試用都有,所以要看價格表裡免費那一欄,別看橫幅。
6 款線上音訊轉文字工具比較(2026 年 11 月核對)
下面是 6 款熱門工具對上述檢查項的回答,資料都來自各家公司自己的頁面。「未公佈」表示我們在讀過的頁面上沒找到這個數字。
| 工具 | 單檔案上限(大小 / 長度) | 語言 | 說話者標籤 | 匯出 | 免費入門方式 | 是否聲明用你的內容訓練 AI? | 付費起價 |
|---|---|---|---|---|---|---|---|
| whispertranscribe.ai | 5GB / 10 hours | 130+ | 有 | DOCX, PDF, SRT, VTT, TXT, CSV | 免註冊免費頁 | 否(隱私權政策) | $9.99/month billed annually |
| TurboScribe | Unlimited 方案 5 GB / 10 hours;Free 方案 30 分鐘 | 98+ | 有 | PDF, DOCX, SRT, VTT, CSV, TXT | 免費檔,無需綁卡 | 否(安全 FAQ) | $10/month billed yearly |
| HappyScribe | 音訊頁寫著「No file size limits」(無檔案大小限制);按分鐘計量 | 150+ | 有 | Free:TXT、SRT。Pro:15 種以上格式 | 註冊免費方案,無需綁卡 | 僅在註冊時你主動同意的情況下(隱私權政策) | $8.50/month billed annually |
| Notta | 音訊 1 GB / 5 小時(開說話者辨識時 3 小時);Free 方案 3 分鐘 | 58 | 有 | 匯出是 Pro 功能 | 免費方案,無需綁卡 | 未公佈 | $8.17/month billed annually |
| Otter.ai | 5 GB;Basic 每段對話 30 分鐘,Pro 90 分鐘 | 6 | 有 | Basic:MP3、TXT。Pro 另加 PDF、DOCX、SRT | 免費 Basic 方案 | 是,用去識別化的錄音和逐字稿(隱私權政策) | $8.33/user/month billed annually |
| Rev | 未公佈 | Free:英語。Essentials:英語和西班牙語。Pro:37 種以上 | 未公佈 | 價格頁未公佈 | 免費方案 | 聲明不允許客戶資料訓練外部 LLM | $25.49/seat/month billed annually |
whispertranscribe.ai
適合: 長錄音和非英語音訊:單檔案最大 5GB、10 小時,130 多種語言 並含地區變體,有 Multilingual Mix 選項照顧說話時切換語言的人,很多語言還有 Noise / Low-Quality Audio/Video 模式。
注意: 只能在雲端用,沒有離線模式、App、API 或人工校對,也沒有自定義詞表,所以人名和術語要手動檢查。免費入口沒有公佈固定分鐘數,較長的逐字稿可能會先要求升級才顯示全文。
另外五款,簡單說
- TurboScribe 適合想要固定價格的重度用戶:Unlimited 對單人沒有總量上限,同樣基於 Whisper。免費使用是每天 3 個檔案,每個最長 30 分鐘,帳號不能共享。
- HappyScribe 適合字幕工作,以及可能要加人工校對的團隊(from $2.00/min)。付費方案按 AI 分鐘計量(Basic 每月含 120 分鐘);免費選項是一次性的 10 分鐘試用。
- Notta 適合約時想要會議記錄和手機 App 的人。免費對話到 3 分鐘就停,匯出是 Pro 功能,開啓說話者辨識後音訊上限從 5 小時降到 3 小時。
- Otter.ai 適合用它支援的六種語言開即時會議。Basic 一生只能匯入 3 個檔案,隱私權政策裡提到會用去識別化的錄音和轉錄內容訓練 Otter 自己的 AI。
- Rev 適合可能需要人工轉錄的法律和調查團隊(from $1.99/min)。免費方案只支援英語,每月 45 分鐘 AI 轉錄,付費方案按席位計價。
想看這些工具更深入的評測,請看我們的最佳 AI 轉錄軟體和 TurboScribe 替代品指南。
線上音訊轉文字工具怎麼用:5 個步驟
下面的步驟以 whispertranscribe.ai 的免費音訊轉文字工具為例;其他工具順序相同,只是按鈕名稱不同。
第 1 步:上傳音訊
把檔案拖進上傳框("Drag & drop or browse file")。常見的音訊和影片格式都能用(見下方格式表)。如果錄音在 YouTube、Vimeo、Google Drive 或 Dropbox 上,直接把連結貼上到 Transcribe from URL,不用先下載。
第 2 步:選擇口語語言
自己選語言,別依賴自動偵測。頁面提示有些語言有多個選項,結果不好時可以換一個試試。說話者符合時用地區變體,比如 Portuguese (Brazil);錄音質量差時用 Noise / Low-Quality 選項;說話者切換語言時用 Multilingual Mix。
第 3 步:設定選項並開始轉錄
採訪、會議和 Podcast 請開啟 Enable Speaker Detection,然後點選 Convert audio to text。音訊清晰時,準確率最高可達 99%;房間嘈雜、口音重或有人搶話時會低一些。
第 4 步:對照音訊校對
邊播放錄音邊讀,重點檢查語音辨識常出錯的地方:
- 專有名詞: 人名、公司、地名、產品名。
- 數字: 價格、日期、百分比、電話號碼。
- 說話者切換: 一句簡短的回應("Right.")經常被算到別人頭上。
- 重疊說話和笑聲: 文字可能缺失或被合併。
- 靜音或只有音樂的片段: 留意重復或憑空編出來的句子。
第 5 步:匯出合適的格式
按下一步要做什麼來選:文件用 DOCX 或 PDF,要貼上到別處用 TXT,表格或研究編碼用 CSV,字幕用 SRT 或 VTT。
你可以不註冊帳號直接開始。經常用的話,方案 from $9.99/month billed annually(價格)。
音訊準備清單:上傳前先把準確率提上去
音訊乾淨一點,對逐字稿的幫助比換工具更大。下面幾點參考了 Google Cloud 的語音資料最佳實踐,雖然是為 Google 自家辨識器寫的,但大體通用。
錄音前
- 麥克風靠近說話的人, 有背景噪音時尤其如此。
- 能關的話,在錄音 App 裡關掉自動增益控制和降噪; Google 建議關閉降噪和 AGC。
- 調好電平,別讓大聲的地方削波。 失真的峰值事後修不回來。
- 以 16,000 Hz 或更高取樣率錄音。 手機和錄音筆一般預設就是。
- 能選的話用無損格式。 Google 推薦 FLAC 或未壓縮(LINEAR16)音訊,並提醒 MP3、M4A 等有損編碼可能降低準確率。
上傳前
- 上傳原始檔案,不要傳重新編碼過的副本。 把 MP3 另存為 WAV 只會變大,細節回不來;Google 也建議不要重新取樣(8,000 Hz 的電話錄音就按原樣傳)。
- 聽 30 秒,開頭和中間各聽一下,確認語言沒錯,每個人的聲音都聽得到。
- 剪掉很長的音樂前奏或靜音,模型在這些地方可能輸出重復或編造的文字。
- 超大影片檔案先轉成音訊,上傳慢的話可以用音訊與影片轉 MP3 工具。
- 把校對時要核對的人名和術語記下來。
音訊格式:哪種檔案最適合轉錄?
常見格式都能轉錄,差別在於壓縮後留下了多少細節。無損格式保留麥克風錄到的一切,有損格式為了省空間會丟掉一部分。
| 格式 | 有損還是無損 | 通常從哪來 | 轉錄建議 |
|---|---|---|---|
| MP3 | 有損 | Podcast、下載檔案、老式錄音設備 | 清晰的語音沒問題;按原樣上傳,別轉換。可以試試 MP3 轉文字頁面 |
| WAV | 通常是未壓縮的 PCM,但裡面的編碼可能不同(Library of Congress) | 外錄設備、音訊編輯軟體 | 品質最好,檔案最大;長時間錄音要留意大小限制 |
| M4A / AAC | 有損(AAC) | iPhone Voice Memos、很多 Android 錄音 App | 直接上傳;手機這邊可以看語音備忘錄轉錄頁面 |
| FLAC | 無損壓縮(RFC 9639) | 存檔、音訊匯出 | 比 WAV 小,品質不損失;匯出由你控制時是好選擇 |
| ALAC | 無損 | Apple Music 資料庫、部分 Apple 匯出 | 和 FLAC 思路一樣,只是 Apple 的格式 |
| AIFF | 通常未壓縮 | Mac 音訊 App、GarageBand 匯出 | 按 WAV 處理 |
| CAF | 容器格式;可裝有損或無損音訊 | Apple App 和開發者工具 | 按原樣上傳 |
| OGG | 容器格式,常見 Vorbis 或 Opus(有損) | 網頁音訊、游戲、部分聊天 App | 按原樣上傳 |
| OPUS | 有損,為語音和音樂設計,6 到 510 kbit/s(RFC 6716) | 聊天 App 語音消息、VoIP 通話 | 通常檔案小,清晰度足夠轉錄 |
| AMR | 有損,窄帶語音 | 老式手機通話錄音和錄音機 | 老電話錄音準確率會低一些;不要升取樣 |
影片檔案(MP4、MOV、M4V、MKV、AVI、WMV、WEBM、MPG、MPEG)也能用:工具會讀取音軌。以影片為主的項目,用影片轉文字工具。
問題排除問題:常見問題和解決辦法
大多數糟糕的逐字稿,根源都在語言設定或音訊本身。
| 問題 | 可能原因 | 可以試試 |
|---|---|---|
| 逐字稿不知所云或語言不對 | 選錯了語言,或者自動偵測憑一段很短的開場猜錯了 | 用正確的語言或地區變體重新轉;混合語言用 Multilingual Mix |
| 上傳被拒 | 檔案對這個工具來說太大或太長 | 查一下限制(whispertranscribe.ai:5GB 和 10 小時);把錄音拆開,或把影片轉成音訊 |
| 出現 "No audio detected" 提示 | 檔案損壞、音軌無聲,或音訊在意料之外的聲道上 | 在本地播放檔案;從錄音 App 重新匯出 |
| 所有話都算在一個說話者名下 | 沒開說話者偵測,或者幾個人聲音很像 | 開啟說話者偵測重新轉;校對時改標籤 |
| 出現重復或編造的句子 | 長時間靜音、音樂或噪音很大 | 剪掉這些片段;試試 Noise / Low-Quality 選項 |
| 人名和術語拼錯 | 模型不常見的生僻詞 | 按你的人名和術語清單查找替換 |
| 只顯示了部分逐字稿 | 工具的免費限制 | 上傳長檔案前先在價格頁查方案限制 |
線上音訊轉文字工具安全嗎?問隱私權政策 6 個問題
線上工具有多私密,取決於它寫下來的政策和你自己的分享習慣。上傳採訪、客戶電話或任何私人內容前,先讀隱私權政策,找具體、可核實的答案,而不是籠統的安撫。寫清楚的書面承諾,你可以拿來要求廠商兌現;含糊的說法就做不到。以上為一般資訊,不構成法律建議。
下面是六個問題,以及 whispertranscribe.ai 隱私權政策對每個問題的說法(2026 年 11 月閱讀):
| 問題 | 為什麼重要 | whispertranscribe.ai 的回答(依據 /privacy) |
|---|---|---|
| 1. 處理完後我的原始檔案怎麼辦? | 它是這段對話最完整的副本 | 處理完成後,上傳的原始音訊和影片會自動刪除 |
| 2. 還保留哪些副本,保留多久? | 逐字稿和提取的音訊可能適用不同規則 | 處理中提取的 MP3 預設 30 天後刪除;逐字稿沒有固定期限,由你自己刪除 |
| 3. 我的內容會被用來訓練 AI 模型嗎? | 你的話可能影響別人使用的模型 | 不會。政策寫明內容不會用於訓練、微調或評估其自家或第三方模型 |
| 4. 會有人聽或看我的內容嗎? | 人工品質檢查意味著有人聽你的音訊 | 不對錄音或逐字稿做人工審核 |
| 5. 涉及哪些外部公司? | 每多一家,你的資料就多去一個地方 | OpenAI 列為 AI 服務提供商;Firebase、Mixpanel 和 Google Analytics 列為分析服務 |
| 6. 我能刪除所有內容嗎?刪了還能恢復嗎? | 刪除應該由你掌控,而且要徹底 | 你可以隨時刪除檔案、逐字稿和提取的 MP3,或申請刪除帳號;刪除是永久的,沒有可恢復的備份 |
政策還寫明傳輸中使用 TLS 1.3 加密,存儲時使用 AES-256。如果你的機構要求某項特定認證或簽署協議,請向廠商索取相應檔案,選能提供的那家。無論用哪個工具,只要法律有要求,就要徵得被錄音者同意。
該用哪款音訊轉文字工具?
按錄音來選工具:
- 長檔案或多種語言: 選單檔案上限高、語言清單全的,比如 whispertranscribe.ai 或 TurboScribe。
- 簡短語音筆記或口述草稿: 一個語音轉文字頁面或設備內建的聽寫可能就夠了。
- 每周的即時會議: 用 Otter.ai 或 Notta 這類會議助手,前提是語言對得上。
- 必須一字不差的法律記錄或引語: 選有人工轉錄的服務,比如 Rev 或 HappyScribe,或者對 AI 初稿做仔細的人工校對。
- 不能離開電腦的音訊: 用基於 Whisper 的離線 App;見我們的最佳免費轉錄軟體指南。
其他方面可以在功能頁上比較。
常見問題
最好的線上音訊轉文字工具是哪個?
最好的音訊轉文字工具,是限制跟你的錄音對得上的那個。長檔案、多語言,就找單檔案上限高、語言清單完整的;whispertranscribe.ai 能處理最大 5GB、10 小時的檔案,支援 130 多種語言,TurboScribe 則有固定價格方案。即時會議的話,Otter.ai 或 Notta 更合適。如果每個字都要核實,選提供人工轉錄的服務,比如 Rev。
能免費線上把音訊轉成文字嗎?
能,大多數線上工具都可以免費試用,但限制差別很大。據 2026 年 11 月核對,TurboScribe 免費檔每天可傳三個檔案、每個最長 30 分鐘,Notta 免費方案每段對話上限 3 分鐘,HappyScribe 提供一次性的 10 分鐘試用。whispertranscribe.ai 可以不註冊直接開始;上傳長檔案前,先在頁面上看看免費選項目前包含什麼。
線上音訊轉文字工具准嗎?
音訊清晰時,現在的工具都很准,但遇到噪音、離麥克風遠、口音重和多人重疊說話,準確率就會下降。whispertranscribe.ai 在音訊清晰時最高可達 99%。各家衡量準確率的方法不同,所以任何單一百分比都只能當作最好情況。最可靠的測試,是拿你自己的一小段音訊試轉,再核對人名、數字和專業術語。
把音訊上傳到線上工具安全嗎?
可以是安全的,前提是服務商的書面政策回答了該回答的問題。看清楚原始檔案怎麼處理、副本保留多久、你的內容會不會訓練 AI 模型、有沒有人審核、哪些第三方參與處理、刪除是否永久。whispertranscribe.ai 的隱私權政策寫明原始檔案處理後刪除,內容不用於訓練。必須留在設備上的音訊,請用離線工具。以上不構成法律建議。
哪種音訊格式最適合轉錄?
WAV 或 FLAC 這類無損格式保留的細節最多,錄音或匯出由你控制時就用它們。如果手上已經是 MP3 或 M4A,就按原樣上傳:把有損檔案轉成 WAV 只會變大,什麼也恢復不了。靠近說話者錄音、避免削波、壓低背景噪音,比檔案格式更重要。
音訊轉文字工具能區分說話者嗎?
很多都能。這個功能通常叫說話者偵測、說話者辨識或 diarization(說話者分離),會按說話者給逐字稿的每一段打標籤。在 whispertranscribe.ai 上,轉錄前開啟 Enable Speaker Detection 即可。聲音相近或有人搶話時,標籤就沒那麼可靠,所以校對時要檢查說話者切換,並把標籤改成真實姓名。
準備好轉換你自己的錄音了嗎? 上傳到 whispertranscribe.ai 的免費音訊轉文字工具:從 130 多種語言 中選擇語言,開啟說話者偵測,匯出 DOCX、PDF、TXT、CSV、SRT 或 VTT。付費方案:from $9.99/month billed annually。
參考資料
- OpenAI:Whisper GitHub 倉庫
- Google Cloud:Speech-to-Text 提供語音資料的最佳實踐
- Library of Congress:WAVE 音訊檔案格式(fdd000001)
- IETF:RFC 9639,無損音訊編碼 FLAC
- IETF:RFC 6716,Opus 音訊編碼定義
- 2026 年 11 月核對的廠商頁面:TurboScribe、TurboScribe 安全 FAQ、HappyScribe 價格、HappyScribe 音訊轉文字、HappyScribe 隱私、Notta 價格、Notta 檔案匯入限制、Notta 支援語言、Otter 價格、Otter 檔案匯入幫助、Otter 隱私權政策、Rev 價格
