ScribeToAny
音视频转文字

语音转文字,一次到位

用自动语音识别（ASR）把录好的语音（采访、会议、讲座、语音备忘）转换成结构化文字。ScribeToAny 在专用 GPU 上运行 Whisper 类模型，支持约 98 种语言，自动加标点，还能标注说话人；清晰的录音效果最好。

  • AI 转录
  • 98 种语言
  • 加密存储,我们绝不用你的文件训练 AI

从你的录音开始

把音频或视频文件拖到这里，或点击选择。

实际转录效果预览

一段 64 秒双人访谈（合成语音）的原始转录结果，已开启说话人识别。此处仅展示前几行。

逐字稿 (TXT)
SPEAKER_00 (0:00) Welcome back to Small Shop Stories.
SPEAKER_00 (0:02) Today I'm talking to Maya, who runs a tiny bakery on the
SPEAKER_00 (0:05) corner of Mill Street.
SPEAKER_01 (0:07) Thanks for having me.
SPEAKER_01 (0:08) It's really small, just two ovens and a counter.
SPEAKER_00 (0:12) So how does a normal day start for you?
字幕 (SRT)
1
00:00:00,000 --> 00:00:01,680
[SPEAKER_00] Welcome back to Small Shop Stories.

2
00:00:02,160 --> 00:00:05,320
[SPEAKER_00] Today I'm talking to Maya, who runs a tiny bakery on the

3
00:00:05,320 --> 00:00:06,320
[SPEAKER_00] corner of Mill Street.

对照原始文本，189 个单词中仅有 4 个不同——词错误率为 2.1%（将写为“80”的“eighty”也计为错误），全部 14 次发言轮次均正确标注了说话人。这是清晰录音的效果；若背景杂音较多或存在人声重叠，识别率会有所下降。 查看完整转录文本及评分方式

使用方法

  1. 1

    上传

    拖入音频或视频文件,或粘贴链接,常见格式全部支持。

  2. 2

    转录

    AI 自动转录,带时间戳,可选说话人识别,通常几分钟完成。

  3. 3

    导出

    在线逐段编辑后,导出 TXT、SRT、VTT、TSV、CSV、JSON、PDF 或 DOCX。

为什么选 ScribeToAny

  • 采用 Whisper 类模型的自动语音识别（ASR），支持约 98 种语言，清晰、录音质量好的语音效果最好。
  • 自动化说话人分离（Diarization）标记：在多人会议、圆桌论坛和双人访谈中精准区分说话人身份。
  • 自动添加标点、大小写和断句，让口述内容读起来像段落。

常见问题

AI 语音识别（ASR）与普通的音频文件格式转换有什么本质区别？

音频转换仅仅是重编码音频编码格式（如 WAV 转 MP3）。语音识别（ASR）则是运用深度神经网络将人类语音声学特征解码为文字词汇，智能切分音素边界、自动添加标点符号，并识别说话人身份生成可读对话。

这是实时听写还是文件转录？

文件转录。你上传或录制音频后，会得到一份完整的、带时间戳的文稿。由于模型能看到整段录音，可以利用上下文，通常比边说边逐词猜测的工具更准确；另外还有说话人标注、分段编辑和 8 种导出格式。

我的音频隐私安全吗?

安全。文件通过 HTTPS 直传加密云存储,仅你的账户可见。我们绝不用你的文件训练 AI。文字稿默认私密,除非你主动生成只读分享链接——链接随时可撤销。任何文件和文稿也都可以随时在工作台永久删除。

“嗯”“呃”这类语气词会保留吗？

通常不会。Whisper 类模型倾向于输出“干净逐字稿”：大多数语气词、说错重来和重复词会被省略，读起来更顺。如果你需要严格逐字稿（例如用于研究编码），可以在编辑器里一边重放音频一边补上。

可以直接对着麦克风说，而不上传文件吗？

可以，在工作台里使用“录音”。它在浏览器里录音，然后用和上传文件相同的选项转录。这不是实时字幕：停止录音后才会出文字，也正因为如此，模型可以利用整段录音的上下文。

相关工具