在线语音转文字

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。

添加音频或视频将文件拖到此处或点击选择点击选择音频或视频 · MP3、WAV、M4A、MP4 等选择文件

添加更多文件

第 1 步上传文件、录制音频或粘贴链接
第 2 步AI 将音频转成文字
第 3 步获取带说话人标识和逐词时间戳的文本

我的文件

文件名日期 时长状态
70+种语言
5种AI模型最长3小时 · 1 GB
AI摘要与纪要6种报告与对话
TXT · DOCX · SRT另有5种格式

如何将音频转文字

  1. 添加录音

    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。

  2. 选择模型和语言

    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。

  3. 生成摘要、AI提问并导出

    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。

↑ 上传文件开始转换 — 返回顶部

语音转文字,浏览器里直接完成

任何录音都能变成按说话人分段、逐词对齐时间的文字。

说话人标识 · 逐词时间戳 · AI摘要与对话 · 70多种语言 · TXT · DOCX · SRT

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。

文字稿示例

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。

TXT
[00:01] 说话人 1: 


[00:05] 说话人 2: 

DOCX
说话人 1 00:01

说话人 2 00:05

SRT
1
00:00:01,200 --> 00:00:04,500



2
00:00:05,100 --> 00:00:08,300
VTT
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。

AI摘要、会议纪要与录音智能对话

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。

  • 简短摘要

    用3–5句话概括主要话题、决定、数字、日期和人物。

  • 详细笔记

    按主题整理的结构化笔记:背景、讨论、立场、决定和未决问题。

  • 决定与任务

    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。

  • 带可核实引述的会议纪要

    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。

  • 核心要点

    讲座、播客、访谈或视频的主要观点,每条附时间戳。

  • YouTube 章节

    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。

SpeechGen能做什么

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。

说话人标识

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。

逐词时间戳

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。

70多种语言

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。

麦克风录音

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。

视频和链接

上传视频文件,或粘贴YouTube、Google Drive链接,音轨会自动分离出来。

先试第一分钟

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。

重新转换

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。

语音识别模型

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 GB278 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 MB139 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 GB139 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 GB139 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 GB139 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。

导出TXT、DOCX、PDF和字幕

文档

TXTDOCXPDF

字幕

SRTVTTSUB

数据

CSVJSON

剪贴板

复制文字
段落
自动,或每段1–8行。停顿后另起一段,停顿时长可调(默认700 ms)。
时间戳
可加在段落上、话语上、两者都加,或者不加。
说话人
显示或隐藏说话人姓名,也可以合并同一说话人的连续行。
字幕行
设置每行字符数和每行词数。
纯文本
去掉时间戳和说话人姓名,得到可直接放进文档或AI工具的干净文字。

支持70多种语言

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。

大家都在转换什么

  • 记者与研究人员

    从访谈录音中摘取引语,附带说话人和准确时间。

  • 学生与老师

    把讲座变成可搜索的笔记。

  • 播客与视频创作者

    上传一次,节目简介和字幕都有了。

  • 商务会议

    把通话和会议内容留存为文字记录。

  • 字幕制作者

    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。

  • 译者

    从准确的原文文字稿开始翻译。

每分钟音频价格

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。

139点 / 分钟精准 · 均衡 · 增强 · 标准
278点 / 分钟快速
查看价格

隐私与文件存储

加密传输
文件和文字稿通过HTTPS(TLS)传输。
存储期限
有账户时,文件和文字稿保存90天;没有账户保存1天。您可以随时删除文件。
结果仅本人可见
只有您能打开结果:通过您的账户,或在没有账户时使用同一浏览器。仅凭链接无法访问。如需分享,请下载后发送文件。

语音转文字常见问题

转出来的文字准确吗?

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。

需要多长时间?

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。

MP3、M4A或WAV能转文字吗?

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。

支持哪些语言?

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。

怎么收费?

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。

可以编辑文字稿吗?

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。

文件保存多久?谁能看到?

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。

需要安装音频转文字软件吗?

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。

应该选哪个模型?

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。

AI摘要和录音智能对话如何使用?

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。

用您自己的录音试试

上传文件、录音或粘贴链接。开始前会显示价格。

  • 无需安装软件
  • 单个文件最长3小时
  • 转换失败退还点数

要转换全部吗?

要删除此文件吗?

文件及其文字稿将被删除,此操作无法撤销。

选择语言

我们使用Cookie来确保您在我们的网站上获得最佳体验。了解更多:隐私政策

接受Cookies