語音轉文字：工作原理與操作方法

作者： Hushscript | 發布： 2026年6月24日 | 最後審閱： 2026年7月21日

語音轉文字是將口頭音訊轉換為書面文字的軟體。這個術語涵蓋了兩種感覺相似但工作方式不同的不同工作：現場聽寫，你說話時文字就會出現，而轉錄，你交出錄音並拿回完成的逐字稿。兩者的核心思想是相同的。工作流程、準確性以及您可以對結果做什麼都不是。

本指南以淺白方式解釋了語音到文字的實際含義、引擎如何從聲音到單詞，以及兩種模式有何不同。然後，它逐步介紹如何在 Hushscript 上將錄音轉換為文字，並提供一個可行的範例、令人困惑的問題以及最後的簡短常見問題解答。

語音到文字實際上是什麼

最簡單的是，自動語音辨識 (ASR) 會接收聲波並產生一系列單字。麥克風將語音擷取為連續波形，即代表氣壓隨時間變化的擺動線。這個波形包含了一切：文字、說話者的聲音、房間、空調的嗡嗡聲。引擎的任務是從混音中提取單字並將其寫下來。

為此，引擎將音訊切成小片（通常每個片為 10 到 30 毫秒），並測量每個影片中的聲音。這些測量結果提供給訓練有素的模型，該模型將聲音模式映射到語言的語音單元，然後映射到單詞，然後映射到整個短語。這些你都看不到。您會看到錄音進入並出現逐字稿。但大致了解內部發生的情況就可以解釋為什麼有些錄音轉錄清晰，而有些錄音則粗糙。

有兩層知識共同作用。一是聲學：一種語言的聲音是什麼，以及它們在不同聲音和口音中的發音方式。另一個是語言方面的：哪些單字序列是合理的。語言層就是為什麼一個好的引擎會寫“他們的車壞了”而不是“那裡的車壞了”，儘管兩者聽起來相同。它使用上下文來選擇人類的拼字。

較早的語音辨識依賴手寫規則和小型訓練集，而且很脆弱。現代引擎是大型人工智慧模型，經過數千小時錄製的許多說話者的語音、口音和錄音條件的訓練。這種廣度正是今天的逐字稿可用的全部原因。對於清晰的語音和良好的錄音，目前模型的單字準確率約為 90% 至 97%。剩下的百分之幾是本指南後面的故障排除的重點。

錄製語音與即時聽寫

實踐中最重要的區別是音訊是即時處理還是事後處理。

即時聽寫即時運行。當你對著電話、語音助理或文字處理器中的語音輸入功能說話時，單字的出現速度幾乎和你說的一樣快。為了跟上，引擎必須致力於每個單詞，而幾乎不需要依賴句子。這是一個嚴格的限制，這就是為什麼聽寫有時會猜測一個單詞，然後在接下來的幾個單詞到達時悄悄地重寫它。當需要隨時捕捉自己的演講時，即時聽寫是正確的工具：免持筆記、透過語音起草電子郵件、控制設備。

轉錄可處理完整的錄音。你給引擎一個完成的音訊或視訊文件，它處理整個事情，然後你得到一個完整的逐字稿作為回報。由於不需要即時發生任何事情，因此引擎可以在決定任何單字之前提前閱讀並查看整個句子，從而提高準確性。它還可以完成現場聽寫無法完成的工作。它可以將說話者分開，將每一行歸因於說這句話的人，並且它可以附加時間戳，以便您可以從一行文字直接跳到音訊中的該時刻。

如果您正在處理會議、訪談、講座、播客片段或錄製的電話，您將根據已儲存的檔案進行轉錄，而不是即時聽寫。兩者會感到困惑，因為兩者都被宣傳為“語音到文字”，但您已有的錄音對於聽寫工具來說是錯誤的形狀，而對於轉錄器來說是正確的形狀。 Hushscript 專為錄音設計。沒有即時聽寫模式，重點是經過深思熟慮的：從完整文件開始工作，可以讓它提前讀取準確性並在同一次傳遞中標記說話者。

如何將錄製的語音轉換為文字

這是 Hushscript 上的實際流程，按照您遇到的順序排列。您需要將錄音作為設備上的文件、任何常見格式的音訊或視訊檔案以及用於註冊的電子郵件地址。這就是整個清單。無需安裝任何內容。

1. **拖放文件並觀看預覽。**開啟音訊轉文字頁面並將檔案拖曳到上面。 Hushscript 會立即轉錄前 30 秒，並在說話者已經分開的情況下向您顯示結果。此步驟不需要帳戶。預覽就在那裡，因此您可以在提交任何內容之前判斷自己錄製的準確性。
2. **註冊轉錄其餘部分。**如果預覽看起來正確，請使用您的電子郵件註冊。轉錄完整文件是有門控的，因此這一步是帳戶發揮作用的地方。新帳戶有 30 分鐘免費時間來正確試用該服務。
3. **上傳完整檔案。**進入後，上傳整個錄音。如果是影片，則首先在您的瀏覽器中提取音訊，然後僅發送音訊，因此影片本身會保留在您的設備上。
4. **讀取、重新標記和匯出。**每次都會返回逐字稿，歸因於說話者（說話者 A、說話者 B 等）並帶有時間戳。點擊任何說話者標籤即可對其進行重命名，新名稱將在該人發言的所有位置更新。當它以您想要的方式讀取時，匯出為 TXT 為純文字、SRT 或 VTT 為字幕、CSV 或 JSON 為結構化資料、Markdown 為發布筆記、DOCX 為編輯或 PDF 為共享。

如果您想在進一步操作之前檢查準確性，30 分鐘足以轉錄一個簡短的訪談、10 分鐘的講座剪輯或較長錄音的第一段。透過快速卡片檢查即可立即解鎖免費分鐘數：持有 1 美元即可授權檢查卡，然後立即取消且無需付費。使用其他付款方式，它們會隨您的第一次購買一起到達。不需要卡片；這只是獲得獎金的最快途徑。免費分鐘數過後，您只需為轉錄的分鐘數付費，無需訂閱。 定價頁面顯示目前費率。

有效範例

假設您在手機上錄製了 38 分鐘的客戶訪談。它保存為 M4A，兩個聲音，咖啡杯偶爾發出的碰撞聲，在普通會議室中錄製。

您將 M4A 放在音訊轉文字頁面上。 30 秒預覽顯示為簡短對話：

說話者 A 00:00 感謝您抽出時間。您能先告訴我
                    是什麼讓您第一次尋找這樣的工具嗎？
說話者 B 00:11 當然。我們淹沒在支援請求中，而舊的
                    系統無法跟上，所以我開始四處尋找。

這是未經編輯的預覽。兩個聲音分開，每一行都有時間戳，措辭乾淨。您註冊並上傳完整的 38 分鐘文件，幾分鐘後，完整的逐字稿就以相同的形式準備好了。 說話者 A 是您，說話者 B 是您的受訪者，因此您點擊「說話者 A」標籤，輸入您的姓名，然後點擊「說話者 B」輸入他們的姓名。兩者都一次重命名整個文件。您匯出到 DOCX，在文字處理程式中開啟它，修復產品名稱按語音拼寫的兩到三個位置，然後您就得到了一份完成的訪談記錄。 38 分鐘超出了您的平衡，這就是為什麼免費的 30 分鐘對於第一份真正的工作很方便，而不僅僅是測試剪輯。

常見問題以及如何解決它們

最令人失望的逐字稿可以追溯到錄音，而不是引擎。這些是最常出現的問題，以及如何解決每個問題。

**錄音安靜或渾濁。**如果聲音微弱或房間聽起來很吵，引擎的工作量就會減少，準確性也會下降。靠近說話者的麥克風、領夾麥克風或距離嘴巴 10 到 20 公分以內的耳機，比任何設定都會產生更大的差異。一個大而空曠的房間增加了迴聲，模糊了聲音之間的界限；較小或軟裝飾的空間記錄效果更好。您無法在事後修復此問題，因此值得在下次錄製之前解決。

**兩個人同時說話。**當聲音重疊時，措辭和誰說了什麼都會變得更加困難，因為兩組聲音在同一音訊片段中競爭。對於真正的重疊，沒有乾淨的軟體修復。在您控制的錄音中，在回合之間留下節拍會在以後得到回報。在無法重做的情況下，預計中斷周圍會出現一些交叉線，然後手動整理它們。

**專業術語出現錯誤。**通用模型非常了解日常用語，但不一定見過您所在行業的行話、不尋常的姓氏或產品名稱。這些往往是根據它們的發音而不是它們的拼寫來轉錄的。匯出的 DOCX 中的查找和替換可在幾秒鐘內清除重複出現的術語，這就是 DOCX 是最容易糾正的匯出的原因之一。

**檔案將無法載入。**大多數標準音訊和視訊檔案都可以正常運作。如果有人拒絕，通常是一個不尋常或非常舊的容器。使用免費的瀏覽器內工具將其轉換為純 MP3 或 WAV（該工具在您的裝置上運行且不上傳任何內容）幾乎總是可以解決問題。如果格式仍然無法通過，請發送電子郵件至 support@hushscript.com，團隊將添加它。

**一個說話者會被分成兩個。**有時同一個人會被標記為兩個說話者，通常是因為他們的聲音在中途發生了變化：他們靠近麥克風，從耳機切換到擴音模式，或者線路品質發生了變化。引擎會依照聲音特徵進行分組，因此較大的變化可能被判定為另一位說話者。在編輯器中合併兩個標籤一步即可修復此問題。此機制位於說話者分離如何運作的指引中。

準確度和重音

口音覆蓋範圍取決於型號和語言。對於英語，在廣泛資料集上訓練的模型可以很好地處理美國、英國、澳洲和印度英語，而 Hushscript 提供四種不同的英語口音。較重的地方方言或較少代表性的口音需要進行更多修正，但您仍然是在編輯草稿，而不是從頭開始打字。

一些習慣可以提高任何錄音的準確性，無論口音是什麼。用近距離麥克風錄音。讓每個人在下一個開始之前完成。避免大的迴聲房間。適度的說話速度比一分鐘衝刺超過 200 個字的轉錄效果更好。合理的位元率很重要：128 kbps MP3 就可以了，而窄頻中嚴重壓縮的語音訊息音訊會失去引擎所需的細節。要更全面地了解每種格式和怪癖，請參閱如何轉錄任何音訊檔案。

Hushscript 會自動偵測語言並轉錄大約 99 種語言，其中 18 種語言的準確性最高。使用一種語言的錄音轉錄起來最為清晰；對於任何引擎來說，在句子中切換語言都是困難的。

說話者標籤，在同一個過程中

分離說話人，正式稱為說話者分離，與語音識別一起運行，而不是作為您支付額外費用的第二項工作。您可以將單字和歸屬放在一起，在每份逐字稿上都是免費的。對於兩人面試或小型會議，這種分隔通常是準確的，並且省去了手動標記每一行的繁瑣工作。一個文件可以容納的說話者數量沒有上限，但當聲音清晰、不重疊且聽起來不相似時，準確度最高。每個逐字稿中都會免費提供說話者標籤，這是整個方法所建立的預設誠實細節：有用的部分被包含在內，而不是被隱藏在更高的層後面。

要堅持的明顯差異就是這一點。如果您想在說話、語音輸入或聽寫時捕捉語音，請使用裝置或文字處理器中內建的即時工具。如果您已有所需的文字錄音，則從音訊轉文字頁面進行轉錄會更快、更準確，並且只需一步即可為您提供說話者標籤和可匯出的輸出。