5种AI模型
AI音频转文字有五种模型可选:快速、精准、均衡、增强、标准。开始前,每种模型都会显示每分钟价格和文件限制。
将音频和视频转换为准确文字、AI摘要、会议笔记与对话问答。
上传一个或多个文件(一次最多100个)、用麦克风录音,或粘贴链接。
按速度或准确度选择模型。选择录音语言,或交给模型自动识别。开始前会显示所需点数。
边听边对照文字,一键生成AI摘要或会议笔记,在AI对话中针对录音提问,并下载TXT、DOCX、PDF、SRT或VTT。
任何录音都能变成按说话人分段、逐词对齐时间的文字。
将音频和视频转换为准确文字、摘要、笔记和可执行要点。可选5种模型,与您的录音进行AI对话,并导出为任意格式。支持音频(MP3、WAV、M4A、OGG、FLAC等)和视频(MP4、MOV、MKV、AVI、WEBM),单个文件最长3小时、最大1 GB。也可以直接录音,或粘贴YouTube、Google Drive链接及文件直链。电脑和手机的浏览器都能用,无需安装任何软件。
同一段双人对话录音,导出为四种格式:纯文本、文档和两种字幕文件。您的文件也会得到相同的结构。
[00:01] 说话人 1: [00:05] 说话人 2:
说话人 2 00:05
1 00:00:01,200 --> 00:00:04,500 2 00:00:05,100 --> 00:00:08,300
WEBVTT 00:00:01.200 --> 00:00:04.500 <v 说话人 1> 00:00:05.100 --> 00:00:08.300 <v 说话人 2>
字幕每行的字数可以在下载前调整。
不止于原始文字稿。一键生成结构化报告,或在内置AI对话中直接提问——每个回答均基于您的录音内容,并附有可点击跳转的时间戳。
用3–5句话概括主要话题、决定、数字、日期和人物。
按主题整理的结构化笔记:背景、讨论、立场、决定和未决问题。
已确认的任务,附负责人、截止日期和原话引述,以及需要澄清的事项。
以原话引述为依据并附引用链接的事实:讨论内容、决定、分歧。
讲座、播客、访谈或视频的主要观点,每条附时间戳。
带时间戳的视频章节,可直接粘贴到 YouTube 视频说明中。
与录音进行AI对话:可使用快捷提问(“讲了什么?”、“核心要点”、“快速摘要”、“需要做什么?”),或用任意语言输入您的问题。点击回答中的 [MM:SS] 时间戳即可收听对应片段,支持将报告下载为 PDF、DOCX 或 TXT。
AI音频转文字有五种模型可选:快速、精准、均衡、增强、标准。开始前,每种模型都会显示每分钟价格和文件限制。
每位说话人都有标签。改一次名字,整篇文字稿同步更新。还可以把片段分配给其他说话人。
点击任意词语,音频即从该处播放;播放时当前词语会高亮显示。
英语、西班牙语、阿拉伯语等语言还支持各地区变体。大多数模型可以自动识别语言。
直接在浏览器里在线录音,可随时暂停、继续,单次最长3小时。录完提交后,录音转文字的流程和上传文件完全相同,适合记下语音备忘、会议要点或灵感。
上传视频文件,或粘贴YouTube、Google Drive链接,音轨会自动分离出来。
超过30分钟的文件,可以只转换第一分钟来检查质量,满意后再转换全部。
对结果不满意?换个模型或语言再来一次,确认前会显示价格。
批量处理:每次最多上传100个文件、导出20个文件,系列访谈或一学期的课程都能轻松搞定。
每种模型各有所长,价格也不同。拿不准就先用快速模型,或者用两个模型分别转换第一分钟,比较一下。
| 模型 | 适用场景 | 准确度 | 速度 | 语言数 | 自动识别语言 | 文件上限 | 价格 |
|---|---|---|---|---|---|---|---|
| 快速Microsoft Fast | 出结果最快,支持的语言最多。每分钟价格是其他模型的两倍。 | 76 | 支持 | 3小时 / 1 GB | 278 点/分钟 | ||
| 精准MAI-Transcribe-2 | 准确度高,适合访谈、讲座和会议。文件上限较短。 | 57 | 支持 | 2小时 / 300 MB | 139 点/分钟 | ||
| 均衡Grok Voice Transcribe 2.0 | 准确度高,速度中等,适合长达3小时的长录音。 | 25 | 支持 | 3小时 / 1 GB | 139 点/分钟 | ||
| 增强Microsoft LLM Speech | 内置语言模型的语音识别,支持最常用的语言。 | — | 24 | 支持 | 3小时 / 1 GB | 139 点/分钟 | |
| 标准Whisper (Microsoft Azure) | 支持完整语言列表,需要手动选择语言,速度比其他模型慢。 | 76 | 手动 | 3小时 / 1 GB | 139 点/分钟 |
价格以SpeechGen余额中的点数计算。开始前会显示您文件的准确费用。
70多种语言 · 130多种地区变体 · 自动识别语言
中文、英语、日语、韩语、西班牙语、葡萄牙语、法语、德语、印地语、阿拉伯语、土耳其语等。您可以选择录音语言,也可以交给模型自动识别。日语录音的转换方式与中文完全相同。支持的语言因模型而异,快速和标准模型支持的语言最多。
从访谈录音中摘取引语,附带说话人和准确时间。
把讲座变成可搜索的笔记。
上传一次,节目简介和字幕都有了。
把通话和会议内容留存为文字记录。
下载SRT或VTT并调整每行长度。手头是视频文件?试试视频转文字。
从准确的原文文字稿开始翻译。
转换费用从SpeechGen余额中以点数扣除,与语音合成共用同一余额。大多数模型每分钟音频139点,快速模型278点。开始前会显示您文件的价格,转换失败时点数会退回。
准确度取决于音频和模型。一两个人清晰说话的录音效果最好。背景噪音、音乐、多人同时说话、浓重口音和电话音质会增加错误。发布前请务必核对人名和数字。
取决于文件长度、模型和当前排队情况。您可以关闭页面:文字稿会保存在“我的文件”中,完成后即可查看。
可以。音频和视频文件最大1 GB、最长3小时(精准模型为300 MB、2小时)。常见格式:MP3、WAV、M4A、OGG、FLAC、AAC、MP4、MOV、MKV、AVI、WEBM。也可以粘贴YouTube链接、公开的Google Drive链接或文件直链。
70多种语言,其中许多还有地区变体。大多数模型自动识别语言;使用标准模型时需要手动选择。如果录音是小语种,建议先转换第一分钟检查质量。
按音频分钟数,从SpeechGen余额中扣除点数。价格因模型而异,开始前会显示。
可以修改说话人姓名、把片段分配给其他说话人、删除片段。如需修改文字,请下载DOCX或TXT,在文本编辑器中编辑。
有账户保存90天,没有账户保存1天,您也可以提前删除。只有您能打开结果页面;如需分享文字稿,请下载后发送文件。
不需要。电脑和手机的浏览器都能用:上传文件、粘贴链接,或直接用麦克风录音。注意这不是实时听写,录完提交后才会生成文字。
大多数录音建议先用快速模型。访谈、讲座等每个字都很重要的场合,可以试试精准模型。如果您的语言不在列表中,请使用标准模型并手动选择语言。
完成全文转写后,打开“AI”标签页即可生成简明摘要、详细笔记、决议与待办事项、带原文引用的会议纪要、核心要点或 YouTube 章节。您还可以在 AI 对话中提问并通过 [MM:SS] 时间戳定位原声,或将报告下载为 PDF、DOCX、TXT。