影片轉文字工具:如何將影片轉成逐字稿

作者:whispertranscribe.ai 編輯團隊 · 最後更新:2026 年 11 月 · 閱讀約 13 分鐘

影片轉文字工具會把影片音軌裡的語音提取出來,生成一份可以編輯、搜尋或做成字幕的逐字稿。用法是:選擇使用的語言,上傳檔案或貼上連結,多人說話就開啟說話者辨識,然後匯出 DOCX、TXT、PDF、CSV、SRT 或 VTT。

下面會講:影片可能來自的四個地方、只有影片才會遇到的問題、什麼用途選什麼匯出格式,以及主流工具的價格比較,核對日期為 2026 年 11 月。

影片轉文字工具是怎麼工作的?

轉換工具不看畫面。它讀取容器(MP4、MOV、MKV)裡的音訊流,做語音辨識,再給每一句加上時間戳記。幻燈片上的文字、螢幕上的程式碼、燒錄在畫面裡的字幕,都不會進入逐字稿。

所以逐字稿的品質由聲音決定,觀眾只能看到的內容要你自己補上。W3C 關於逐字稿的指南,把包含這些畫面資訊的逐字稿叫作描述性逐字稿(descriptive transcript)。

你的影片在哪裡?四種來源,四條路線

按影片現在所在的位置選路線。

你的影片…… 常見例子 最佳路線 先檢查這一點
是設備上的一個檔案 手機片段、相機素材、Zoom 或 OBS 錄影、剪輯軟體匯出的檔案 上傳檔案 小於 5GB 和 10 小時;語音所在的音軌是你要的那條
在網上、有連結 YouTube、Vimeo、Google Drive、Dropbox 貼上連結 連結不用登入就能開啟
正在你螢幕上播放 網路研討會、產品示範、瀏覽器標籤頁裡的通話 先螢幕錄影,再轉錄 錄進了系統聲音或標籤頁聲音
已經有字幕 你自己上傳的 YouTube 影片、帶字幕軌的 MKV 直接用現成字幕;字幕品質差再轉錄 字幕是自動生成的還是人工編輯過的

1. 電腦或手機上的影片檔案

上傳剪輯軟體或錄製 App 匯出的原始檔案,不要用通過聊天軟體發來的副本,那種副本的聲音常被重新壓縮過。whispertranscribe.ai 的影片轉文字頁面接受最大 5GB、最長 10 小時的檔案。

2. YouTube、Vimeo、Google Drive 或 Dropbox 連結

我們的連結轉錄工具支援 YouTube、Vimeo、Google Drive 和 Dropbox 連結。最容易卡住的一條規則:連結必須是公開的。失敗時,工具自己的提示會讓你確認「the link is public and that the file can be downloaded without login」(連結是公開的,而且檔案不用登入就能下載)。

Google Drive 的話,開啟 Share(共享),在 General access(一般訪問權限) 下選 Anyone with the link(知道連結的任何人)。Google 的共享幫助說,這樣設定後別人不用登入就能開啟檔案。工作或學校帳號可能不允許這樣設定,那就先下載檔案再上傳。如果是 YouTube,YouTube 轉錄頁面也是同樣的貼上連結步驟。

3. 正在螢幕上播放的內容

如果影片沒有保存在任何地方,先把它錄下來。基於瀏覽器的螢幕錄影工具可以螢幕錄影幕、攝影機、麥克風和系統聲音,然後生成逐字稿、AI 摘要和字幕。只要語音是從電腦裡發出來的,比如通話裡其他人的聲音,就要把系統聲音一起錄上;否則你只錄到了自己的麥克風。

4. 已經有字幕的影片

先看看文字是不是已經有了:

  • 別人的 YouTube 影片。 根據 YouTube 幫助,影片有字幕的話,觀眾可以在影片說明裡點 Show transcript(顯示逐字稿) 跟著看。自動生成的字幕沒有說話者標籤,人名也經常辨識錯。
  • 你自己上傳的 YouTube 影片。 可以在 YouTube Studio 裡下載字幕軌。我們的 YouTube 影片轉錄指南把兩種方法都講了一遍。
  • 內嵌字幕軌的檔案。 MKV 和 MP4 檔案可以把文字字幕作為單獨的流帶在裡面。FFmpeg 可以列出並提取出來:
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

我們用 FFmpeg 7.1.5 在一個自己做的測試檔案上跑了這兩條命令:第一條列出了一個 subrip 流,第二條把它存成了 SRT。這只驗證了語法。圖片式字幕軌,比如 DVD 字幕,不能用這種方法存成文字。我們的 SRT 字幕匯出指南會更深入地講剪輯軟體和時間碼。

如何用 whispertranscribe.ai 把影片轉成文字

下面的步驟參照線上的影片轉文字頁面,來自 whispertranscribe.ai。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,基於 OpenAI 的 Whisper。它在網頁瀏覽器裡執行,不用安安裝 App。

  1. 選擇使用的語言(頁面上的第 1 步)。 清單涵蓋 130 多種語言,包括 English (India) 這樣的地區版本,很多語言還有 Noise / Low-Quality Audio/Video(噪聲 / 低品質音訊與影片)選項,會切換語言的影片可以選 Multilingual Mix(多語言混合)。
  2. 加入影片(第 2 步)。 把檔案拖進框裡,或者點選瀏覽選擇。如果是連結,用連結轉錄,點 Start URL Transcription。
  3. 開啟 Enable Speaker Detection(啓用說話者辨識),適用於採訪、座談和會議。只有一個講述者就不用開。
  4. 開始轉錄,點上傳框下面的轉換按鈕。
  5. 檢查,然後匯出。 對照影片核對人名、數字和說話者切換,然後下載你需要的格式(見下文的匯出格式表)。

清晰音訊的準確率 up to 99%(最高可達 99%)。背景音樂、環境噪聲、重口音或多人同時說話都會拉低準確率,所以要留出校對時間。想先試一下,免費轉錄頁面不用註冊帳號。不買方案能轉錄或匯出多少,以網站上的設定為準,可能會變。付費方案 from $9.99/month billed annually(按年付費費,每月 $9.99 起)(價格)。

可以上傳哪些影片格式?

上傳框在音訊格式之外還列了這些影片容器:MP4、MOV、M4V、MKV、AVI、WMV、WEBM、MPG 和 MPEG。不用轉換。

容器 通常來自哪裡 上傳前注意
MP4 手機、Zoom 錄影、大多數剪輯軟體匯出 用最終匯出的檔案,別用聊天軟體裡的副本
MOV iPhone 相機、QuickTime、Apple 剪輯軟體 高畫質匯出檔案會很大;超過 5GB 就先提取音訊
M4V Apple 風格的匯出、一些轉換工具 按 MP4 處理
MKV OBS 錄影、帶多條音軌的檔案 確認語音在哪條音軌
AVI、WMV 老相機和 Windows 軟體 直接上傳即可;老檔案的聲音可能偏弱
WEBM 瀏覽器錄製工具和網頁工具 直接上傳即可
MPG、MPEG DVD、老式攝影機、電視錄製 直接上傳即可;聲音可能噪聲較多

有多條音軌? OBS 可以每個麥克風存一條音軌,電影可能帶多種語言配音。頁面沒說會轉錄哪一條。把你要的那條音軌提取成 MP3(例如 ffmpeg -i input.mkv -map 0:a:1 -vn speech.mp3 提取的是第二條音軌),再上傳。

檔案太大? 我們的影片轉 MP3 工具頁面說,它在你的瀏覽器裡提取音訊,不用上傳影片,得到的 MP3 比原影片小得多。

為什麼影片比音訊難轉錄,以及怎麼應對

影片會帶來語音備忘錄從來沒有的問題。下面的辦法是編輯上的常規做法,不是我們自己準確率測試的結果。

問題 為什麼影片裡會出現 怎麼辦
背景音樂 片頭、空鏡和 vlog 會在人聲下面墊音樂 從剪輯軟體匯出只有人聲的版本來轉錄;不行就選 Noise / Low-Quality 選項
多位說話者 座談、拍成影片的 Podcast、會議 開啟說話者辨識,然後把 "Speaker 1"、"Speaker 2" 統一改一次名
螢幕共享示範 關鍵資訊在螢幕上,鍵盤和風扇聲音大 手動補上螢幕上的文字;關掉通知,用近距離麥克風錄
字幕和口型對不上 逐字稿生成後影片又剪過或調過時間 用最終匯出版本重新生成,或在字幕編輯器裡整體平移時間戳記
錄影很長 網路研討會、講座和直播一錄就是幾小時 控制在 10 小時和 5GB 以內;更長的檔案切分或提取音訊
多種語言混雜 雙語採訪、說話中途切換語言的主持人 用 Multilingual Mix,或按語言切分影片

人聲下面有音樂: 如果影片是你做的,匯出一個把音樂靜音的版本;時間軸長度不變,所以時間戳記仍然對得上。(English (Songs & Lyrics) 選項是給唱出來的歌詞用的,不是給配樂上的說話聲用的。)

螢幕錄影: 「點這裡,再輸入這個」寫在紙上毫無意義。校對時用方括號補上螢幕上的細節,比如「[Settings > Billing]」。

超長影片

頁面會拒收超過 10 小時的檔案,並提示你縮短。FFmpeg 可以不重新編碼就把長錄影切開:

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

這條命令要求切成每段 5 小時。我們在一個 12 秒的測試片段上以 5 秒為目標做了語法檢查,第一段出來約 6 秒,因為不重新編碼時切點會落在關鍵幀上。段長只是近似值,而且每段的時間戳記都會從零重新開始。

該選哪種匯出格式?

按文字接下來要去哪裡選匯出格式。同一份逐字稿可以匯出多次。

格式 是否保留影片播放器用的時間資訊 用什麼開啟 適合你的影片逐字稿要……
DOCX 否 Word、Google Docs 改寫成文章、節目筆記或課程講義
PDF 否 任何 PDF 閱讀器 發給客戶,或作為定稿存檔
TXT 否 任何文字編輯器、CMS、AI 助手 貼上到別處或做摘要
CSV 頁面未說明 Excel、Google Sheets 逐條引語排序、編碼或搜尋
SRT 是 YouTube、Vimeo、Premiere、Resolve、VLC 在影片平台或剪輯軟體裡做字幕
VTT 是 HTML5 網頁播放器、Vimeo、YouTube 在你自己網站的影片播放器裡做字幕

如果主要是要字幕,字幕產生器和 MP4 轉 SRT 工具有一個 Maximum Words per Subtitle(每條字幕最多詞數)設定(預設 8),能讓字幕行保持簡短。whispertranscribe.ai 生成的是字幕檔案,不會把字幕燒錄進影片畫面。我們的 SRT 檔案是什麼和如何給影片加字幕兩篇指南講了上傳那一端。

四種常見工作的影片轉文字流程

每個流程都從一個做好的影片開始,到一份可以發布或發送的東西結束。

線上課程和錄播講座

  1. 每節課單獨匯出一個檔案,這樣逐字稿能和模塊一一對應。
  2. 選講師的語言和口音變體;只有學生也發言時才開說話者辨識。
  3. 匯出 SRT 給課程播放器用,匯出 DOCX 做講義,加上小標題,並用方括號補上公式等幻燈片內容。
  4. 按 W3C 的建議,把逐字稿或逐字稿連結放在影片正下方。

影片採訪

  1. 盡量給每個人一支麥;說話者切換會更乾淨。
  2. 開啟說話者辨識上傳,然後把通用標籤換成名字。
  3. 研究訪談要編碼就匯出 CSV,寫問答文章就匯出 DOCX。
  4. 引用每一句之前都播放核對,並告訴受訪者逐字稿會怎麼使用。

錄下來的會議和網路研討會

  1. 用平台錄出的 MP4,或者用螢幕錄影工具開啟系統聲音把會議錄下來。
  2. 開啟說話者辨識,然後匯出 TXT 做摘要,匯出 DOCX 做會議紀要。
  3. 把決定事項和負責人列成簡短清單放在最前面。
  4. 刪掉不再需要的檔案。Teams 和 Zoom 的具體做法,見如何轉錄 Zoom 會議。

把你的 YouTube 影片改寫成文章

  1. 把你自己影片的連結貼上到連結工具裡,匯出 TXT。
  2. 刪掉口頭禪、說了一半重來的話,以及「大家可以看到這裡」之類的片段。
  3. 每一章變成一個 H2,在你指著螢幕講的地方加螢幕截圖,在頂部嵌入影片。
  4. 想觸達另一批受眾,可以把音訊翻譯成英文,或者再加一條字幕軌。

只改寫你擁有的、或獲得使用許可的影片;見下文版權部分。

影片轉文字工具比較(核對日期為 2026 年 11 月)

本指南由 whispertranscribe.ai 發布,所以我們排在第一,並列出我們自己的不足。資料來自各廠商頁面,核對日期為 2026 年 11 月;「未核實」表示我們沒能在那裡讀到這個數字。

工具 付費起價 免費選項 影片連結 語言 匯出(按頁面所列) 實際短板
whispertranscribe.ai From $9.99/month billed annually(按年付費費,每月 $9.99 起) 可免費開始,無需帳號;額度以網站設定為準 YouTube、Vimeo、Google Drive、Dropbox 130+ DOCX、PDF、TXT、CSV、SRT、VTT 沒有自定義詞彙、不能燒錄字幕、沒有人工轉錄、沒有手機 App;連結必須公開
TurboScribe 按年付費費 $10/月(按月付 $20) 每天 3 個檔案,每個最長 30 分鐘 YouTube(和上傳格式列在一起) 98+ DOCX、PDF、TXT、CSV、SRT、VTT 一個帳號只限一人用;免費檔案排在低優先級隊列
HappyScribe 按年付費費 $8.50/月(按月付 $17),每月 120 分鐘 AI 轉錄 10 分鐘 AI 試用 YouTube、Vimeo、Drive、Box、Dropbox 150+ Basic:TXT、SRT、PDF、DOCX;VTT 從 Pro 起 長影片很快就用完 Basic 方案的分鐘數
Descript 按年付費費每人 $16/月(按月付 $24),10 媒體小時 每月 60 媒體分鐘 未查 25 未查 媒體小時按每個上傳檔案計算,不管轉沒轉錄;為剪輯而做,不適合批量轉錄
VEED 未核實 不註冊可試用;下載需註冊;免費匯出的影片帶水印 未查 125+ 付費方案可匯出 TXT、SRT、VTT 字幕和逐字稿檔案需要升級
Notta 按年付費費 $8.17/月(每年 $97.99) 每月 120 分鐘,每段對話最長 3 分鐘 未查 58 匯出需要 Pro 免費方案不能匯出逐字稿
YouTube "Show transcript" 免費 免費 僅限已有字幕的影片 字幕語言不一 無(只能看和複製) 沒有說話者標籤、沒有檔案、沒字幕的影片用不了
  • TurboScribe 同樣基於 Whisper,檔案上限同樣是 10 小時和 5GB;區別在方案結構、語言和連結來源。
  • HappyScribe 提供人工校對,每分鐘 $2.00 起。我們不提供人工轉錄,所以需要人逐字核對的記錄,它更合適。
  • Descript 和 VEED 首先是影片剪輯軟體。想通過編輯文字來剪影片,或者把帶樣式的字幕燒錄進畫面,就用它們。
  • Notta 在付費方案裡列了自定義詞彙。我們沒有。

影片以外更全面的比較,見我們的最佳 AI 轉錄軟體盤點;純音訊檔案見我們的音訊轉文字工具指南。

上傳前的版權和隱私

本節是一般資訊,不構成法律建議。

只轉錄你有權使用的影片: 你自己的錄影、獲得授權的素材,或你獲准處理的材料。逐字稿複製的是說出來的話,所以完整發布別人的逐字稿,和轉發別人的影片面臨同樣的問題。在美國,合理使用是根據四個因素逐案判斷的,美國版權局指出,沒有一個固定的使用量是自動安全的。whispertranscribe.ai 自己的政策把未經所有者同意轉錄他人受版權保護的音訊與影片列為禁止用途。拿不準就問版權所有者或律師。

取得鏡頭裡的人的同意。 告訴參與者錄影會被轉錄。各地的同意規則不同;美國的情況見我們的各州通話錄音法律指南。

知道檔案去了哪裡。 whispertranscribe.ai 的隱私權政策簡單來說是這樣寫的:

  • 上傳的原始音訊和影片檔案在處理後自動刪除。
  • 處理過程中提取的 MP3 檔案預設保留 30 天,你可以提前刪除。
  • 逐字稿會一直留在你的帳戶裡,直到你刪除。刪除是永久的,政策說不保留備份。
  • 你的內容不會用於訓練 AI 模型,也沒有人工查看。
  • 列出的安全措施:傳輸中的資料用 TLS 1.3,存儲的資料用 AES-256。OpenAI 作為 AI 服務提供方列在其中。

同一份政策說,媒體檔案轉錄僅供個人、非商業用途,所以用於客戶或公司工作之前,先讀完整的政策和條款。

常見問題

最好的影片轉文字工具是哪個?

最好的影片轉文字工具,是能處理好你真實素材的那個,所以拿你平時音訊裡同一段一分鐘的樣本,在幾個候選工具上都跑一遍。長檔案、多語言的話,whispertranscribe.ai 和 TurboScribe 都接受最長 10 小時的檔案。HappyScribe 額外提供付費人工校對。Descript 和 VEED 適合還要剪影片的人。比較說話者標籤、人名和匯出格式,而不只是看宣傳的準確率數字。

可以免費把影片轉成文字嗎?

可以,但有限制。已有字幕的影片,YouTube 會免費顯示逐字稿;FFmpeg 也能免費從 MKV 或 MP4 裡提取現成的文字字幕軌。大多數轉換工具也有免費入口:whispertranscribe.ai 有一個無需帳號的免費頁面,TurboScribe 每天給三個檔案。免費檔通常會限制長度、數量或匯出,所以去各網站看清楚限制。

怎麼把 YouTube 影片轉成文字?

影片有字幕的話,在影片說明裡點 Show transcript 就能跟著看。想要可下載、附說話者標籤的檔案,就把 YouTube 連結貼上到連結轉錄工具裡,選擇使用的語言,匯出 TXT、DOCX 或 SRT。影片必須是公開的,而且只應轉錄你擁有或獲得使用許可的影片,因為逐字稿複製的是說出來的內容。

影片轉文字工具能辨識螢幕上顯示的文字嗎?

不能。影片轉文字工具轉錄的是音軌,所以幻燈片標題、程式碼和燒錄在畫面裡的字幕,除非有人念出來,否則不會出現在逐字稿裡。教程和講座,校對時自己用方括號把螢幕上的重要資訊補上。W3C 把包含這些畫面資訊的逐字稿叫作描述性逐字稿,它對不看影片、只讀文字的人都有幫助。

影片最長多久可以轉錄?

用 whispertranscribe.ai,單個檔案最長 10 小時、最大 5GB,更長的檔案會被拒收,並提示你縮短。更長的直播錄影,用剪輯軟體或 FFmpeg 切成幾段,或者先把音訊提取成 MP3,這樣檔案也會變小。其他工具有各自的限制:TurboScribe 免費方案每個檔案到 30 分鐘為止。

同一個影片能同時得到字幕和逐字稿嗎?

能。一次轉錄可以匯出多次,所以同一個影片可以下載 DOCX 或 TXT 來閱讀,再下載 SRT 或 VTT 做字幕。YouTube 和大多數剪輯軟體用 SRT 更穩妥,HTML5 網頁播放器適合 VTT。如果主要是要字幕,就用有每行詞數設定的字幕工具,讓每條字幕短到讀得過來。

把你的下一個影片轉成文字

先開啟 whispertranscribe.ai 的影片轉文字工具:設定使用的語言(130+ 種可選),拖入最大 5GB、最長 10 小時的影片,或者把公開連結貼上到連結轉錄。

參考資料

想把錄音轉成文字嗎?

使用 whispertranscribe.ai 轉錄音訊和影片。

開始轉錄 ↗