作者:whispertranscribe.ai 編輯團隊 · 最後更新:2026 年 11 月 · 閱讀約 12 分鐘 · 分類:轉錄基礎
什麼是語音轉文字?就是一種聽人說話、再把話寫成可編輯文字的軟體。它也叫 speech to text,或自動語音辨識(ASR)。它有兩種形態:即時的,別人說話時文字同步出現;基於錄音的,把一個現成的音訊或影片檔案變成逐字稿。
先說明一下:whispertranscribe.ai 是我們做的產品,一個在瀏覽器裡使用的轉錄服務。文中關於技術原理的說法,引用的是 Google、Microsoft、Apple、W3C 或一篇研究綜述,不是我們的營銷材料。
簡短回答:什麼是語音轉文字?
語音轉文字就是自動把語音變成文字:音訊輸進去,語音辨識模型挑出最可能的詞,軟體再加上標點。
- 別的叫法: speech to text、語音辨識、ASR、語音輸入(voice typing)、talk-to-text。
- 兩種模式: 即時(流式),用於打字和字幕;基於檔案(批量),用於已經錄好的內容。
- 要注意的是: 準確率很大程度上取決於音訊。噪音、離麥克風遠、口音重、專業術語、多人搶話,都會增加錯誤。
語音轉文字和 speech to text、聽寫、轉錄有什麼區別
語音轉文字(voice to text)和 speech to text 是一回事。聽寫是它的一種用法(對著文字框說話),轉錄是另一種(把錄音變成書面記錄)。「聲紋辨識」(voice recognition)不一樣:它辨識的是誰在說話。
W3C 的 Web 無障礙倡議(WAI)用 "speech recognition" 指把話變成文字,而 "voice recognition" 或 "speaker recognition" 留給那種辨識說話者、而不是辨識內容的技術。
| 術語 | 通常指什麼 | 典型輸出 |
|---|---|---|
| Voice to text(語音轉文字) | 把語音變成文字的日常叫法 | 螢幕上或檔案裡的文字 |
| Speech to text (STT) | 同一個意思;軟體文件裡常用的說法 | 文字,常帶時間戳記 |
| Automatic speech recognition (ASR,自動語音辨識) | 這個技術領域,以及背後的模型 | 最可能的詞序列 |
| Dictation(聽寫)或 voice typing(語音輸入) | 對著文字框說話,代替打字 | 打在光標處的文字 |
| Transcription(轉錄) | 一段錄音或一場活動的書面記錄 | 可編輯、可搜尋、可匯出的逐字稿 |
| Live captions(即時字幕) | 音訊播放時同步顯示的文字 | 螢幕上的字幕,通常不保存 |
| Voice recognition 或 speaker recognition(聲紋/說話者辨識) | 辨識是誰在說話 | 說話者標籤,不是文字內容 |
簡單說,聽寫都屬於語音轉文字,但語音轉文字不全是聽寫。一段 90 分鐘的採訪需要轉錄;不用手回一封郵件,需要的是聽寫。
語音轉文字是怎麼工作的?
所有語音轉文字系統都是這幾步:採集音訊,把聲音變成數字特徵,用訓練好的模型找出最可能的詞,再把結果整理好。過去十年變的,是模型的構建方式。
- 採集。 麥克風或音訊檔案提供數字信號。Google 的 Cloud Speech-to-Text 文件建議,能選的話以 16,000 Hz 採集。取樣率更低可能影響準確率,更高則沒有明顯差別。
- 特徵提取。 信號被切成很短的幀,轉成特徵,通常是頻譜圖,顯示聲音能量在各個頻率上隨時間怎麼變化。
- 辨識。 模型把這些特徵對應到最可能的詞序列。
- 格式化。 系統加上標點、大小寫,有時還有時間戳記或說話者標籤。
傳統做法:聲學模型加語言模型
幾十年來,語音辨識都是拆成幾個獨立部分來做的。2023 年一篇端到端語音辨識的綜述,把傳統系統描述為四個組成部分:聲學特徵提取、聲學建模、語言建模,以及一個搜尋步驟,由它挑出整體最優的結果。
- 聲學模型估計每一小段音訊裡是哪些語音。傳統系統在這裡用隱馬爾可夫模型,來應對不同的語速。
- 發音詞典把這些語音和詞對應起來。
- 語言模型給詞序列打分,判斷哪種更可能,所以系統會選 "recognize speech",而不是一串讀音相近卻沒意義的詞。
現代做法:端到端模型
較新的系統大多是端到端的:一個神經網路在已轉錄的語音上訓練,直接學會從音訊到文字的整個映射。同一篇綜述指出,深度學習讓詞錯誤率比以往的建模方式相對降低了 50% 以上,端到端模型也已成為主流做法。OpenAI 的 Whisper 就是一個知名例子;我們在關於什麼是 Whisper AI 的指南裡會詳細講。
| 傳統流水線 | 端到端模型 | |
|---|---|---|
| 結構 | 獨立的聲學模型、發音詞典和語言模型 | 從音訊到文字只有一個神經網路 |
| 訓練需要什麼 | 人工整理的詞表和音素集,加上好幾個訓練階段 | 大量已轉錄的語音 |
| 典型弱點 | 各部分分開訓練,可能累積錯誤、增加成本 | 需要大量已轉錄語音;更難利用純文字資料 |
| 語言知識 | 單獨的語言模型 | 在網路內部學到;也可以外接一個語言模型 |
即時轉錄和檔案轉錄:有什麼不同?
即時(流式)語音轉文字在對方還在說話時就顯示文字,適合聽寫和即時字幕。檔案(批量)轉錄處理的是已經錄完的錄音,之後返回完整逐字稿,適合採訪、會議和講座。
Google 的 Cloud Speech-to-Text 有三種請求類型:同步請求,用於 1 分鐘及以內的音訊;異步請求,用於最長 480 分鐘的檔案;流式請求,「在用戶還在說話時」("while a user is still speaking")就返回臨時結果。Microsoft 的 Azure Speech 文件也有類似的劃分:即時、快速和批量轉錄(兩者均核對日期為 2026 年 11 月)。
| 即時(流式)語音轉文字 | 基於檔案(批量)的轉錄 | |
|---|---|---|
| 文字什麼時候出現 | 你說話的同時;隨著更多音訊進來,臨時結果裡的詞可能會變 | 錄音處理完之後 |
| 典型用途 | 聽寫、即時字幕、語音助手 | 採訪、會議、講座、Podcast、影片字幕 |
| 最後留下什麼 | 文字框或字幕窗口裡出現的內容 | 可編輯、可匯出的逐字稿 |
| 主要取捨 | 要速度,不求精細 | 要等一會兒,但可以換設定重新跑一遍 |
一個實用的判斷方法:如果這些文字不是馬上要用,就錄一段乾淨的音訊,再轉錄檔案。原始錄音留著,任何一句都能回頭對照。
語音轉文字都用來做什麼?
人們用語音轉文字來不打字也能寫東西、把錄音變成可搜尋的筆記、給影片加字幕,以及讓語音內容更無障礙。Microsoft 的文件還列出了呼叫中心的用途,比如通話後分析。
| 用途 | 常用模式 |
|---|---|
| 用語音寫郵件、消息和草稿 | 即時聽寫 |
| 會議和採訪記錄 | 檔案轉錄,或者用即時模式快速記一下 |
| 講座和研討會筆記 | 先錄音,再做檔案轉錄 |
| 影片字幕 | 檔案轉錄,匯出 SRT 或 VTT |
| 語音備忘錄和通話錄音 | 檔案轉錄 |
| 為聾人和聽障人士,或者無法使用鍵盤的人提供無障礙支援 | 即時字幕和聽寫 |
課堂情境可以看我們的講座錄音 app 指南。
手機和電腦上的語音轉文字在哪裡
大多數設備都已經內建用來打字的語音轉文字:Windows 11 上按 Windows logo key + H,Mac 或 iPhone 上用 Dictation,Android 上用 Google Gboard 鍵盤的麥克風。這些工具會把字打進你當前所在的輸入框;它們不能轉錄你已有的錄音。
| 平台 | 內建功能 | 怎麼開始(按官方幫助頁) | 需要聯網嗎?(按頁面說法) |
|---|---|---|---|
| Windows 11 | Voice typing | 把光標放進文字框,按 Windows logo key + H | 需要。Microsoft 說語音輸入使用由 Azure Speech 驅動的線上語音辨識 |
| Mac | Dictation | 在 System Settings、Keyboard、Dictation 中開啟。用 Microphone 鍵、你設定的聽寫快速鍵,或 Edit、Start Dictation 啓動 | 視情況而定。Keyboard 設定裡會顯示一般聽寫是不是在你的 Mac 上處理 |
| iPhone | Dictation | Settings、General、Keyboard、Enable Dictation。然後點鍵盤上的麥克風 | 很多時候不需要。Apple 說在許多語言下 Dictation 在 iPhone 上運行,不需要聯網 |
| Android | Gboard 語音輸入 | 在任何能打字的 app 裡,點鍵盤頂部的 Microphone | Google 的頁面沒有說明 |
官方頁面上的幾個細節:
- Windows: Microsoft 的語音輸入指南也講到了可選的自動標點設定。
- Mac: 按 Apple 的 Mac 聽寫指南,30 秒沒說話聽寫會自動停止,沒把握的詞會用藍色下划線標出,比如你想說 "flower",它寫成了 "flour"。
- iPhone: Apple 的 iPhone 聽寫指南列出了用來加標點和編輯的口頭指令。
- Android: Google 的 Gboard 幫助頁提到,talk-to-text 不支援所有語言,部分步驟需要 Android 7.0 或更高。
不同版本的選單名稱會變,請按你設備對應的幫助頁操作。
語音轉文字有多準?有哪些局限?
一個人離麥克風很近、音訊清晰時,現在的語音轉文字大部分詞都能辨識對。噪音、距離、濃重口音、專業詞彙、多人同時說話,都會讓準確率下降。不存在一個統一的準確率數字;錄音本身和軟體一樣重要。
標準的衡量指標是詞錯誤率(WER):把系統替換、漏掉或多加的詞數加起來,除以人工核對過的逐字稿的詞數。我們關於 Whisper 有多準的文章會展示,從乾淨的有聲書到遠場會議錄音,WER 能差多少。
| 局限 | 原因 | 怎麼改善 |
|---|---|---|
| 口音和方言 | 有些口音在訓練資料裡出現得少得多 | 選對地區版本;先用一小段測試 |
| 背景噪音和距離 | 噪音和回聲會讓語音信號變模糊 | 離麥克風近一點,換個安靜的房間,或者用耳麥 |
| 術語、人名和生僻詞 | 模型偏向常見詞 | 自定義詞表(Microsoft 叫 phrase lists),或者校對人名和數字 |
| 多人說話和搶話 | 重疊的聲音很難分開;標註說話者是另一項任務,叫 diarization(說話者分離) | 一次一個人說;核對說話者標籤 |
| 電話和低品質音訊 | Google 指出,大多數傳統電話音訊是 8,000 Hz,結果可能不那麼准 | 用更高品質錄音;對舊音訊做升取樣沒用 |
| 讀音相同的詞 | "Flour" 和 "flower" 讀音一樣 | 發出去之前再讀一遍 |
兩個習慣能抓住大部分錯誤:每個人名、數字和技術術語都對照音訊核一遍;即時字幕當作參考,不要當作記錄。
語音轉文字與無障礙
語音轉文字在兩個方向上都有幫助。聽寫讓人用說話來寫字;W3C 列舉的依賴它的人群包括肢體殘障、重復性勞損、認知或學習障礙的人。字幕和逐字稿則讓聾人和聽障人士能跟上音訊內容。
對於有聽力障礙的人,W3C 的聽力障礙頁面說,音訊內容需要逐字稿和字幕這樣的替代形式。它也提醒,自動字幕「通常太不準確,不能作為替代形式依賴」("usually too inaccurate to rely on as an alternative"),因為它們會漏掉專業術語,還會把句子連在一起。解決辦法是發布前先審核、改正輸出結果。兩種格式的區別,可以看我們的 subtitles 與 captions 比較指南。
手機上也有即時工具。Apple 的 Live Captions(iPhone 11 或更新機型)會即時轉錄 app 裡或周圍環境的聲音;Apple 說不要在高風險或緊急情況下依賴它。Android 上 Google 的 Live Transcribe 會把語音和聲音顯示成文字,除非你使用離線語言,否則需要聯網。
怎麼選語音轉文字工具:5 個標準
先想清楚你要產出什麼。發一條簡短消息,系統內建的聽寫就夠了。處理長錄音的話,按下面五點來評估檔案轉錄工具。
- 即時還是錄音? 用語音打字,需要能在你的 app 裡用的聽寫。已有錄音,需要能接受檔案、最好也能接受連結的工具。
- 語言和口音支援。 確認你要用的模式支援你的語言和地區版本;即時模式和檔案模式支援的語言不一定一樣。
- 音訊去了哪裡。 有些工具在設備上處理語音,有些會發到伺服器。上傳敏感錄音前先讀隱私頁面,錄別人之前先徵得同意。
- 能拿到什麼結果。 看有沒有說話者標籤、時間戳記、編輯器,以及 DOCX、TXT、SRT 或 VTT 這類匯出格式。
- 長度限制和費用。 查一下最長能處理多長的檔案、最大能上傳多大,以及價格怎麼隨音訊長度增加。
如果預算優先,我們的最佳免費轉錄軟體匯總比較了各家的免費版。
whispertranscribe.ai 適合做什麼
whispertranscribe.ai 是一個在瀏覽器裡把錄音變成文字的服務,也能用麥克風做即時轉錄。它不是聽寫工具:不會往其他 app 裡打字,也沒有桌面 app。以下來自我們的產品頁面:
- 上傳錄音。 用線上語音轉文字處理 MP3、WAV、M4A、MP4 和 MOV 等音訊與影片檔案,最大 5GB,最長 10 小時。檔案轉錄支援 130 多種語言,可選說話者辨識。
- 從連結轉錄。 把 YouTube、Vimeo、Google Drive 或 Dropbox 連結貼上到 Transcribe from URL。
- 在瀏覽器裡錄音。 不用安裝任何東西就能錄下你的聲音並轉錄,或者上傳語音備忘錄。
- 即時轉錄。 即時轉錄頁面會錄下你的麥克風,即時把語音顯示成文字。你可以選擇使用的語言和麥克風,也可以開啟說話者辨識。它的語言清單比上傳功能的短。
- 匯出。 DOCX、PDF、SRT、VTT、TXT 和 CSV;AI 字幕產生器可以生成字幕檔案。通話錄音也能轉:見電話錄音轉錄。
在清晰音訊上準確率 up to 99%;背景噪音、濃重口音和多人搶話會讓它下降。付費方案 from $9.99/month billed annually(價格),也可以免費開始,無需註冊帳號。完整功能見功能頁面。
常見問題
語音轉文字和 speech to text 是一回事嗎?
是。兩個名字說的是同一種技術:聽到語音、生成可編輯文字的軟體。在 Google 和 Microsoft 的開發者文件裡,"speech to text" 更常見;而 "voice to text" 是大多數人在搜尋框裡輸入的說法。兩者都依靠自動語音辨識。需要分開的是 "voice recognition",W3C 用它指辨識是誰在說話,而不是說了什麼。
語音轉文字和聽寫是一回事嗎?
不完全是。聽寫是語音轉文字的一種用法:你對著文字框說話,文字出現在光標處,比如 Windows 語音輸入或 Apple Dictation。語音轉文字還包括轉錄,就是把採訪、講座或會議這樣的一整段錄音變成可編輯的逐字稿。要寫新內容,用聽寫。已經有音訊、需要一份書面記錄,用轉錄工具。
語音轉文字需要聯網嗎?
要看工具。Microsoft 說,Windows 語音輸入需要聯網,因為它用的是線上語音辨識。Apple 說,iPhone 的 Dictation 在許多語言下在設備上處理,不需要聯網;Mac 的 Keyboard 設定裡會顯示你的聽寫是不是在 Mac 上處理。Google 的 Live Transcribe 除非用離線語言,否則需要聯網。雲端轉錄服務,包括在瀏覽器裡用的那些,都需要聯網來上傳和處理音訊。
語音轉文字免費嗎?
在大多數設備上,基礎的語音轉文字是免費的。Windows、macOS、iOS 和 Android 都內建語音輸入或聽寫,不另收費,不過支援的語言各不相同。轉錄長錄音通常才開始花錢:很多服務提供免費試用或免費版,之後按音訊長度或訂閱收費。付費之前,查一下你考慮的方案允許的最長檔案和最大上傳量、支援哪些語言,以及包含哪些匯出格式。
語音轉文字有多準?
一個人離麥克風很近、音訊清晰時,現在的語音轉文字大部分詞都能辨識對,但沒有一個通用的準確率數字。背景噪音、回聲、離麥克風遠、濃重口音、技術詞彙和多人搶話,都會讓錯誤增加。常用的衡量指標是詞錯誤率,它統計被替換、漏掉和多出來的詞。在依賴一份逐字稿之前,一定要對照音訊核對人名、數字和專業術語。
語音轉文字能分辨誰在說話嗎?
有些工具可以。標註誰在什麼時候說話,是另一個步驟,叫說話者分離(speaker diarization),不是每個工具都有。系統內建的聽寫預設只有一個說話者:你。轉錄服務常常會加說話者標籤;比如 Microsoft 的 Azure Speech 文件寫明,說話者分離最多支援 35 個說話者。聲音差別明顯、大家不互相搶話時,標籤效果最好,所以如果錄音裡聲音相近或有人搶話,要核對一下標籤。
有錄音要變成文字? 上傳到 whispertranscribe.ai,得到 130 多種語言 的逐字稿,可匯出 DOCX、PDF、SRT 和 VTT。
參考資料
- Google Cloud:Cloud Speech-to-Text 概覽(核對日期為 2026 年 11 月,於 2026 年 11 月核對)
- Microsoft Learn:什麼是語音轉文字?(Azure Speech)(核對日期為 2026 年 11 月,於 2026 年 11 月核對)
- Prabhavalkar, Hori, Sainath, Schlüter, Watanabe:End-to-End Speech Recognition: A Survey(端到端語音辨識綜述)(arXiv 2303.03329)
- W3C WAI:語音辨識 和 聽力障礙
- Microsoft 支援:在電腦上用語音輸入代替打字
- Apple 支援:在 Mac 上聽寫消息和文稿 和 在 iPhone 上聽寫文字
- Google:Gboard 幫助:用語音輸入
