Mediatavio
YouTube转MP3价格博客隐私

语音转写

AI 语音转文字:语言模型与转写流程对照

选择录音的语言、检查文字稿,并区分字幕导出与文档式编辑。

作者:Mediatavio工程

明确选择录音所用语言

语音转文字 将受支持的录音转换为文字。载入录音、选择讲话语言和模型、运行转写,并检查文字及时间后,再导出 TXT、SRT、VTT 或 JSON。

自动选择模型不等于自动检测语言。当前实现会把用户选定的中文、英语、粤语、日语或韩语交给 SenseVoice Small;其他选定语言交给 Whisper,但所加载的模型必须支持该语言。

TXT 适合纯文本,SRT 和 VTT 包含带时间的字幕片段,JSON 保留结构化结果。当前导出功能不提供 PDF 或 DOCX,文字稿也不是经过认证的记录。

识别与时间戳如何工作

音频准备为所选识别模型需要的 16 kHz 单声道数据。简单的能量检测帮助定位含语音的片段,但这不是神经网络说话人分离系统。

识别应用标点、束搜索宽度和热词等选项,并逐个处理连续音频窗口。片段时间会换算到整段录音中的位置。分块边界、停顿和模型错误都可能影响文字及时间。

识别调用禁用了翻译。页面转写所选语言,不承诺翻译成英文,也不实现说话人身份标签或保证逐词对齐。背景音乐、重叠讲话和少见姓名仍需人工检查。

比较编辑和处理流程

官方转写流程对照,未进行词错误率基准测试
服务官方说明的工作流程适用场景差异
MediatavioWhisper/SenseVoice 转写,可导出 TXT、SRT、VTT 和 JSON手动选择语言、检查文字稿并导出带时间的字幕
Adobe Podcast上传录音、修改交互式文字稿,并下载 PDF、DOCX 或文本云端转写,与文档式音视频编辑结合
Azure 批量转写提交已存储的音频,异步获取任务结果云 API 与服务集成,并非完全对应的单页浏览器工具

这些区别依据链接中的官方文档。本文没有进行同一录音的词错误率或耗时测试。语言支持、说话人分离选项、费用和数据保留要求,应按具体服务配置核实。

用人工参考文字稿评估准确性

使用同一录音和语言,人工转写有代表性的片段,再检查替换词、漏词、静音中的幻觉文字、姓名和字幕边界。若文字稿已自动修正,应说明这一点,不要直接与未经修正的结果比较。

对于带噪录音,可比较降噪前后的转写结果,使用 音频降噪时需注意:降噪既可能改善识别,也可能损伤识别所需信息。