ScribeToAny
多语言转录

转录中文音频

普通话是 Whisper 级模型表现最强的语言之一。上传中文会议、课程或访谈录音,得到标点完整的准确文字稿,简体繁体都支持。

  • 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

  • 普通话与口音：标准普通话效果最好；台湾普通话和各地口音也能处理，口音很重时准确率会下降。
  • 汉字输出：通常输出简体字；目前没有简繁切换，如需繁体，可用 OpenCC 等工具转换。
  • 中英混说：中英夹杂的内容按原样转录，英文词保留为拉丁字母；不常见的品牌名可能需要修正。
  • 适合中文的字幕：每条约 32 字以内，在。，、处断开，按中文阅读习惯而不是英文行长来切分。

常见问题

中英夹杂的录音能识别吗?

可以,技术和商务场景常见的中英夹杂会按原样转写。

输出是简体还是繁体？

转录结果通常是简体字，但目前没有简繁切换选项，个别片段偶尔会输出繁体。如果需要指定字形，发布前可以用 OpenCC 等转换工具把成稿转换一下。

能给中文视频配字幕吗?

可以,导出与语音对齐的 SRT/VTT 字幕即可。

普通话应该选哪个语言选项？

确定音频是普通话时，请在“音频语言”里选择 简体中文；台湾普通话也用这个选项。自动检测只根据开头大约 30 秒来判断，开头是音乐或英文的片段可能被识别成别的语言；手动选择语言就能跳过这一步。

中文字幕是怎么分行的？

中文字幕每条最多约 32 个字（大约两行、每行 16 字），而不是英文用的 84 个字符，并且优先在 。，、 处断开，避免一句话被截在中间。Whisper 类模型通常会自动加上中文标点；没有标点的地方，就按长度切分。读起来仍然别扭的字幕条，可以在编辑器里拆分。

相关工具