部落格

如何轉錄錄音：方法與步驟

作者： Hushscript | 發布： 2026年9月11日 | 最後審閱： 2026年9月11日

錄音只有轉成文字才真正有用。會議、電話、語音備忘、單一來賓的訪談——無論來源是什麼，問題都一樣：您需要能搜尋、能引用，並能交給不在現場的人閱讀的文字。本指南涵蓋一般長度的錄音，從幾分鐘到幾小時不等，從挑選方法一路講到完成匯出。若錄音超過 2 小時，請參閱如何轉錄長錄音；若要一次處理多個檔案，請參閱轉錄一個錄音資料夾。

人工、自動，還是混合

從音訊到文字有三種做法，而大多數人會依錄音的情況，交替使用不只一種。

人工轉錄指的是自己聽並逐字打出每一個字。它讓您擁有完全的控制權，也沒有第三方介入，但速度很慢：仔細聽打一小時清晰的音訊，把播放、重打和校對都算進去，輕易就要花上好幾個小時。它適合短片段、您的自動工具處理不好的語言，或是真的不能讓內容離開您手上的資料。

自動語音辨識能在幾分鐘內完成同樣的工作，而不是幾小時。模型會聆聽波形，預測最可能的文字，並傳回已加上標點與說話者標籤的草稿。這份草稿並不完美，但對大多數日常錄音來說，已經接近到只需輕鬆瀏覽一遍，就能抓出剩下的問題。

混合轉錄是自動草稿加上您自己的審閱。大多數持續進行的轉錄工作最後都會落在這裡：模型處理大部分的打字工作，您負責處理姓名、專業術語，以及任何它聽錯的地方。它的成本只是人工作業的一小部分，而成果又比未經審閱的自動草稿乾淨。

哪一種適合，取決於逐字稿之後要做什麼，而不是錄音的長度。文章要用的引述，無論用哪種方法，都需要對照音訊確認措辭是否精確。給自己看的粗略會議筆記，通常完全不需要審閱。

真正決定準確度的因素

轉錄準確度最大的單一因素是錄音本身，而不是讀取它的軟體。近距離收音、清晰、一次只有一個人說話的音訊，幾乎任何自動系統都能產出乾淨的草稿。在房間對角錄的、透過品質不佳的電話線傳來的，或是三個人同時搶話的錄音，無論用哪個工具讀取，都會產生錯誤。W3C 建立準確逐字稿的指南從無障礙的角度提出了同樣的論點：逐字稿是音訊的替代品，它的準確度必須能夠自成一體，不取決於現場的人覺得原始錄音有多好聽。

在上傳之前，有幾件您能掌控的事，比事後的任何設定都更重要：

• 靠近說話者收音，而不是隔著整個房間。
• 避免用兩支麥克風對著同一段對話收音；這只會讓房間噪音加倍，而不會增加訊號。
• 如果檔案格式讓您選擇，比起較小的檔案，請優先選擇較高的位元率。壓縮造成的雜訊在語音模型聽來，就像雜訊之於人耳一樣。

近期關於自動語音辨識的研究，包括一份2024 年深度學習方法用於 ASR 的調查，追蹤了乾淨音訊上的準確度已經進步到什麼程度，以及它在特定口音、領域或噪音特性上，仍有多依賴訓練資料。沒有任何系統能同等地讀懂每一段錄音，因此在信任重要事項的結果之前，先用您自己的音訊測試一次，仍然是比較安全的習慣。

逐步轉錄一段錄音

1. **上傳檔案。**把錄音拖到音訊轉文字頁面。常見的音訊與影片格式都可直接接受；如果是影片，音訊會在任何內容上傳之前先在您的瀏覽器中被提取出來。
2. **檢查預覽。**開頭幾分鐘會在您登入之前就轉錄完成，並附上說話者標籤，讓您判斷音訊是否夠乾淨、分離是否合理。
3. **登入並讓它運作。**完整檔案會上傳，作業會自動完成；您不需要一直開著分頁等待。
4. **重新命名說話者。**像說話者 A 這樣的通用標籤，只要編輯一次就能變成真實姓名，並套用到整份逐字稿。
5. **對照音訊確認重要內容。**瀏覽姓名、數字與專業術語，這些正是模型最可能猜錯的地方。
6. **匯出。**選擇下一步需要的格式，而不是隨便先載入的那一種。

說話者標籤，當不只一個人在說話時

只要錄音裡有一個以上的聲音，就需要先做說話者分離，逐字稿才真正可讀；一大片沒有說話者分段的文字，用處幾乎不比音訊本身高多少。說話者辨識會依聲音把對話分開，並讓您把通用標籤重新命名一次，這項變更就會套用到該說話者在逐字稿中出現的每一處。當每個人的聲音夠有辨識度、又不會一直打斷彼此時，效果最好；兩個聲音相似又互相搶話的情況，至今仍是所有系統都會出錯的難題，不只是自動系統。

依下一步用途挑選匯出格式

正確的匯出格式取決於文字接下來要用在哪裡，而不是哪一種看起來最完整：

• 純文字，用於貼到其他文件，或餵給摘要工具。
• SRT 或 VTT，如果您在為影片加字幕，需要播放器能讀取的時間戳記。
• DOCX，用於分享給想要留言或編輯的人。
• JSON，如果您要把連同說話者與時間資料一起的逐字稿，匯入您自己的工具流程。

從同一份作業匯出不只一種格式不會多花任何費用，所以沒有必要事先猜哪一種才是唯一正確的格式，您可以直接拿走實際會用到的兩三種。

隱私，如果這段錄音不該被保留

不是每一段錄音都該進永久的封存。一通機密電話、一場敏感的訪談、一份轉錄完就該消失的臨時備忘——這些都需要跟日常工作不一樣的設定。私人轉錄會完全跳過儲存到您帳戶這一步。結果會以受密碼保護的下載檔傳回，若您一直沒有開啟就會過期，而不是無限期留在您的紀錄裡。

對於任何您拿不準的內容，比較安全的預設做法是使用隱私模式。您隨時可以選擇保留下一份逐字稿；但您無法回頭把這一份補救成沒有儲存過。

一般錄音的花費

費用是依音訊的分鐘數計算，與檔案、格式或說話者人數無關。一通 45 分鐘的電話和一段 45 分鐘的語音備忘，轉錄費用是一樣的。以 $5.99 的 5 小時（300 分鐘）套餐來算，一段 45 分鐘的錄音大約會從這筆餘額中扣除 45 分鐘，只占套餐的一小部分，剩下的留給下一段錄音使用。無論您使用與否，都不會有任何訂閱在背後運作；套餐如何往上擴展，請參閱即用即付轉錄。

把單一段錄音轉成文字，其實是比看起來更小的決定：依逐字稿最終要撐起什麼用途，選擇人工、自動或混合方式，如果您能掌控錄音本身，就餵給模型乾淨的音訊，再對照真正重要的部分檢查結果。至於本指南沒有深入處理的長度或大量檔案情況，如何轉錄長錄音與轉錄一個錄音資料夾有更詳細的說明。