如何将音频转为文字并完成校对

要把录音转换成真正可用的文字，先保留原始文件，明确文字的用途，选择录音中的主要语言，再一边播放原音频，一边核对高风险片段。自动转录可以省去大量打字工作，但姓名、数字、引语和多人同时说话的部分仍然需要人工确认。

如果你手上有访谈、课程录音、会议、语音备忘录或播客录音，并希望得到可搜索的文字，可以按照本文完成准备、上传、校对和导出。

快速结论： 先生成完整初稿，再按风险校对。优先检查专有名词、金额、日期、决定和引语，因为这些位置一旦出错，可能直接改变文字的用途。

选择合适的转录方式

方式	适合情况	主要工作	常见结果
手工听写	片段很短，或必须逐字精细编辑	反复播放、暂停和输入	在听取过程中直接修正的文字
语音输入	重新口述内容或创作新文本	再说一遍并修改	与原始录音没有稳定对应关系的文字
文件转录	已有录音需要搜索、校对或制作字幕	上传并核对	可结合播放检查的完整初稿

语音输入记录的是你现在对着麦克风说的话；文件转录处理的是已经存在、需要作为核对依据的录音。MP3 文件可以直接打开 MP3 转文字，其他支持的录音可使用 音频转文字。

上传前先检查录音

尽量使用最接近原始版本的文件。多次转换格式无法找回没有被录下的声音，还可能增加新的损失。

上传前完成六项检查：

1. 播放开头和结尾；
2. 确认时长和内容完整；
3. 确认主要说话声可以听清；
4. 判断录音中的主要语言；
5. 记录预计会出现的人名、缩写和专业术语；
6. 留意是否有多人同时说话。

交通噪声、音乐、回声、距离过远的麦克风和声音重叠都会让部分词语难以判断。如果原始音频本身不确定，转录结果也必须保留这种不确定性。

分五步完成音频转录

1. 明确文字的用途

仅供个人搜索的文本和准备公开引用的文本，校对标准并不相同。先确定结果用于会议决定、访谈分析、课程复习、播客制作、字幕还是归档搜索，再决定哪些片段必须逐字核对。

2. 上传文件并选择录音语言

选择录音文件和其中主要使用的语言。这里选择的是音频里的语言，不是浏览器界面语言，也不是录制地点。如果录音频繁切换语言，应重点检查切换位置以及外语姓名和缩写。

打开“自定义词汇”，用逗号或换行添加预计出现的人名、公司名、缩写和专业术语。最多可以添加 100 条，每条最多 50 个字符和 6 个词。词汇表只用于提示识别，不保证每个词都会正确出现；请把重要词留在校对清单中。

3. 先确认结果是否完整

处理结束后，先检查开头、中间和结尾是否都存在，再开始逐句编辑。多人录音中的说话人分离可以帮助定位，但在引用或分配责任之前，仍需回听并确认说话人。

4. 按风险分层校对

优先核对：

• 人名、机构名、产品名；
• 日期、时间、金额、百分比和地址；
• 决定、负责人和截止时间；
• 准备公开发布或引用的原话；
• 说话人切换和声音重叠；
• 专业词汇和缩写。

然后再处理遗漏、标点、分段和统一用词。只从头到尾顺序阅读，容易在简单片段上花费过多时间，却漏掉真正影响结果的错误。

回听以后，按错误类型选择操作：

• 修改单个片段；同一个字面错误重复出现时使用“查找并替换”。匹配不区分大小写，只改变片段文字，并显示替换数量；
• 修改单个片段的说话人，或在不需要姓名时选择“移除标签”。没有说话人的片段会在导出时省略标签和冒号；
• 一个片段混合了两段发言或不同意思时，把光标放在真实边界并选择“在光标处分割”；
• 只有两个片段相邻且说话人相同时，才能选择“与下一段合并”。如果属于不同的人，应回听并修正归属，不要强行合并；
• 删除片段前必须确认。删除后它不会出现在之后的导出中；仅剩的最后一个片段不能删除；
• 只有播放证明时间有误时才修改开始和结束。编辑器会拒绝负数、开始不早于结束、与相邻片段重叠以及超出录音时长的范围。

5. 根据后续任务导出

需要纯文本时选择 TXT，需要在文档软件中继续编辑时选择 DOCX，需要 SubRip 字幕时选择 SRT，目标平台要求 WebVTT 时选择 VTT。SRT 和 VTT 会保留校对后的时间范围。在导出的文件进入实际工作流程并确认可用之前，不要删除原始录音。

Transcrever 不设置字幕字体、颜色或位置，也不会把字幕烧录进视频。样式和烧录需要在交付媒体所用的编辑器或发布平台完成。

选择 TXT、DOCX、SRT 还是 VTT

你需要	选择	原因
用于搜索、复制或归档的纯文本	TXT	不包含字幕语法或文档样式
继续编辑和排版的文档	DOCX	可在文档软件中打开，并保留片段和说话人
带时间范围的 SubRip 字幕	SRT	每条字幕保留已校对的开始和结束时间
目标平台要求的 WebVTT 字幕	VTT	使用 WebVTT 语法写出已校对的时间范围

四轮校对方法

1. 完整性： 确认没有缺少整段内容。
2. 关键事实： 对照音频核对姓名、数字、日期和引语。
3. 说话人与含义： 确认每段话属于谁，并修复声音重叠造成的断句。
4. 交付： 整理标点和格式，再测试导出的文件。

当音频无法支持可靠判断时，应明确标记存疑，而不是猜测。可见的不确定性比看似确定、实际编造的文字更安全。

常见问题排查

问题	检查内容	处理方式
无法开始上传	扩展名、文件大小、文件能否在本地播放	使用受支持的原文件，或真正转换格式
姓名识别错误	对应时间点和正确拼写	回听后统一修改全文
说话人混在一起	声音切换前后的边界	回放边界并修改该片段的说话人
标点不自然	停顿、句意和段落关系	在不改变原意的前提下编辑
某段内容缺失	原音频中是否能听到语音	标记存疑，或寻找更清晰的录音

常见问答

自动转录可以不校对直接使用吗？

低风险的个人搜索有时可以直接使用初稿；公开引用、记录决定、确认说话人或使用数字之前必须校对。校对强度应取决于错误会造成什么后果。

转录前需要先降噪吗？

如果原文件完整且可以听清，优先使用原文件。过度处理可能让语音失真。如果制作了降噪版本，应保留原件，并抽查几个片段确认处理后的版本确实更好。

听不清的内容应该怎么办？

回放前后语境，并检查是否有其他录音或文字来源。如果仍无法确认，应标记为听不清，而不是补写一个没有证据的答案。

什么时候使用自定义词汇，什么时候使用全部替换？

上传前添加自定义词汇，用来提示可能出现的姓名和术语。它可以引导识别，但不保证结果。转录完成后，只有确认文字中的所有字面匹配都需要同样修正时，才使用“查找并替换”；它不会修改录音、说话人或时间码。

应该选择哪种导出格式？

纯文本选择 TXT，工作文档选择 DOCX，SubRip 字幕选择 SRT，使用 WebVTT 的目标平台选择 VTT。发布前请把 SRT 或 VTT 和最终媒体一起播放测试。

下一步

打开 音频转文字，上传录音，并按照本文的风险清单核对结果。确认重要片段与原始音频一致后，再导出到后续工作中。