語音轉成 TXT 檔

本頁面如何將語音轉換為 TXT

您的瀏覽器會將麥克風錄音儲存為 Opus 音訊（Chrome、Firefox、Edge）或 AAC（Safari），並保留在記憶體中。當您確認後，檔案會透過 HTTPS 上傳至我們其中一台語音轉文字伺服器。

在伺服器上，ffmpeg 會解碼音訊，而 Whisper 這個開放原始碼語音辨識模型會一次將音訊轉換為文字，包括標點符號與句子分段。若啟用說話者偵測，系統會先透過說話者分離模型依不同說話者劃分音訊，並在逐字稿中加入相應標註。

逐字稿會儲存為使用一般標點符號與段落分行的純 UTF 8 文字檔，因此可在任何文字編輯器、文書處理軟體或筆記 App 中開啟，也能貼到任何地方。您可在結果頁面下載檔案；之後音訊與逐字稿都會自動刪除。

比任何設定都更重要的錄音技巧

語音辨識的效果取決於音訊品質。影響最大的三個因素是距離、雜訊和重疊說話。請讓麥克風與嘴巴保持 10–20 公分的距離；近距離拿著手機錄音，效果通常比放在桌子另一端的筆電更好。請關閉風扇、關上窗戶，並避免在回音明顯的房間錄音。

請以正常速度說話並說完整句子——模型會利用上下文，因此說到一半的句子和填充詞，產生的文字會比稍微放慢速度、完整說話的效果更差。訪談時，請提醒大家不要同時說話；重疊語音是任何辨識系統最難處理的情況。

開始前請先聆聽預覽。如果音量計幾乎沒有動，或一直顯示在最高位置，建議重新錄製，不要期待轉錄文字能正確產生。

語音轉 TXT 的常見用途

此工具適合教師、Podcaster、記者，以及任何用說話比用鍵盤打字更快的人：透過說話草擬電子郵件或文章、記錄會議紀錄、將講座或語音備忘錄轉成可搜尋的筆記、為研究用途轉錄訪談回答，或取得目前無法播放的語音訊息之可閱讀文字版本。

由於 Whisper 會自動偵測語言，同一個頁面無需任何設定，即可處理德語聽寫、西班牙語語音筆記或英語講座。轉錄文字不會被翻譯，而是會以實際說出的語言呈現。

對於已經儲存為檔案的音訊，例如 Podcast、講座或通話錄音，本網站的音訊轉文字與 MP3 轉文字工具會使用相同的智慧引擎及相同選項。

此工具無法執行的操作

此工具不會翻譯：轉錄文字會保留為語音原本的語言。它不會產生字幕時間碼，如需建立 SRT 或 VTT 檔案，請使用本網站的字幕轉換工具。啟用說話者偵測時，它只會偵測說話者變更，不會依姓名辨識說話者。它也無法還原錄音中聽不清楚的詞語。

專有名詞、產品名稱和罕見縮寫最容易出現錯誤；只要在查看結果時特別留意這些內容，通常就是清晰錄音所需的全部編輯工作。