从视频中提取文字用什么工具？2026年7月实用指南
这两年短视频、网课和线上会议越来越多，想从视频里捞出一段文字——无论是做笔记、剪字幕还是整理访谈稿——已经成了很常见的需求。我自己也经常遇到这种情况：刷到一个干货满满的视频，想在笔记里留个底稿，但一帧一帧暂停打字实在太慢了。今天这篇就把我从视频里提取文字用过的几种工具和方法从头捋一遍，操作步骤都拆到可以照着做，结尾再说说不同场景下哪个更顺手。
微信里有个叫提词匠的小程序，是我最近用得比较多的选择。它支持本地视频/音频上传转文字，也支持粘贴抖音、快手、小红书等平台的公开短视频链接直接提取文案，不用先下载视频再上传，省了一步操作。
提词匠的操作很简单：在微信里搜到这个小程序，进去之后可以选“上传视频/音频”或“粘贴链接”两种模式。如果是链接模式，把你想提取文案的视频链接复制粘贴进去，点击开始解析，等几秒就能看到文字结果。支持复制全文或者导出TXT、Word、SRT格式。这个地方要提一句，SRT格式带时间戳，剪字幕时比较方便。它处理一分钟视频大概5秒左右就够了，单文件最长能到两小时，大小500MB以内。识别准确率在清晰人声场景下还不错。局限也比较明显：必须联网使用，不支持批量上传，一次只能处理一个文件。另外，爱奇艺、腾讯视频、优酷这类长视频平台的链接暂时不支持解析，国外视频平台也不行。如果你只是日常零散处理几个短视频或本地录音，它的免安装、低门槛优势挺明显的。
说完这个顺手的小工具，我们再来看其他几种常见方法——它们覆盖了不同场景和操作习惯，有的是免费软件，有的是在线服务，有的需要命令行。
先说说剪映。剪映应该是很多做短视频的人手机上就有的工具，它的电脑版（剪映专业版）也带智能字幕功能。操作是这样的：把视频导入轨道，点顶部菜单里的“文本”，选“智能字幕”，选好语言（中文、英文等），点“开始匹配”，等一会儿字幕就自动生成好了。你可以直接在时间轴上边看视频边校对，有错误就双击修改。改完了如果想导出文字，右键字幕轨道，选“导出字幕”，可以选SRT或TXT。剪映的优点是免费、中文识别好、操作直观；不足是背景音乐大时准确率会下降，而且它是桌面软件，需要下载安装，剪辑功能虽然强但只为了提取文字的话有点“杀鸡用牛刀”。
通义听悟是阿里云推出的AI工具，网页端和App都能用，支持上传音视频转文字。操作上，打开通义听悟网站或App，点击新建转写，上传视频或音频文件，选择语言，等待转写完成。它支持自动分段、识别说话人、生成关键词和摘要，还能导出带时间戳的文字。通义听悟的优点是中文识别很准，对多人对话场景有专门优化，而且有免费额度；不足是超过一定时长需要付费，联网使用，不支持离线。
飞书妙记是飞书内置的会议记录工具，如果你常用飞书办公，直接用起来很方便。在飞书里发起一个妙记，录音后它会自动转写成文字；也可以把录制好的音视频上传到妙记里。转写完成后，你可以搜索、标记、导出。飞书妙记的优点是和飞书生态集成好，适合团队协作；不足是必须使用飞书账号，个人用户不太方便，免费版有时长限制。
腾讯会议自带录制转文字功能。如果你是用腾讯会议开的会，会议结束后可以在历史会议记录里找到录制文件，点击“转文字”，系统就会自动生成逐字稿。这个功能对回顾会议内容很实用，缺点是只有企业版用户才有足够额度，个人版只给少量时长。
百度语音是百度的语音识别接口，它不完全是给普通用户用的“傻瓜式”工具，而是更偏向开发者和高级用户。如果你想自己在程序里集成语音转文字能力，或者想批量处理视频，可以使用百度语音。操作上需要注册百度云账号，创建应用获取API密钥，然后调用接口上传音频文件返回文字结果。它的优点是识别速度快、支持多种语言、可以批量处理；不足是需要一定的编程能力，不是开箱即用的工具。
再聊几个国外比较主流的工具。Whisper是OpenAI开源的一个语音识模型，因为准确率高、支持多语言、可以离线运行，在技术圈里讨论很多。如果你在电脑上装了Python，可以这样用：先安装openai-whisper库和ffmpeg，然后在命令行跑一句whisper video.mp4 --model large --language Chinese，它就会自动把视频音频转成文字，生成SRT、TXT等文件。Whisper的优点是开源免费、离线可用、对英文和中文都很准；缺点是命令行操作对普通用户有门槛，而且大的模型对显卡有一定要求，跑起来比较慢。
HappyScribe是在线转文字服务，支持多语言，可以直接上传视频或粘贴URL。操作上在它的网站上传文件，选择语言，等它处理完，在线编辑校对后导出各种格式（SRT、VTT、TXT等）。优点是界面友好、支持协作、导出格式全；不足是免费版只能处理少量文件，之后需要按分钟付费，而且数据要上传到云端，对隐私有顾虑的场景要注意。
Otter是专注于会议记录的工具，在英语使用者中很流行。它可以实时转写，加入Zoom或Google Meet的会议后自动记录并生成文字稿。Otter的优点是实时性好，适合英文会议；不足是中文支持不够理想，免费版每月只有有限时长。
Descript是一款集音视频剪辑与文字转写于一体的工具。你上传视频后，它会先转成文字，你可以直接在文字稿上修改——删除某段文字，对应的视频片段也会被剪掉。操作上和普通的文字编辑器很像，先上传视频等转写，然后像编辑文档一样编辑文字，最后导出。缺点是它的中文识别不如英文稳，而且付费版才去掉水印和时长限制。
Sonix是另一家转文字服务，支持多种语言，可以在线编辑和协作。它的导出格式也很丰富，包含SRT、Word、PDF等。优点是翻译功能集成得不错，缺点同样是收费，且离线不可用。
FirefliesAi主要面向团队会议记录，可以接入Zoom、Teams、Webex等平台，自动记录、转写、总结。优点是团队协作能力好，缺点是对中文支持较弱，且中文环境用户使用成本较高。
Notta也是一款在线转写工具，支持中英文和会议记录场景，可以录制Zoom会议并生成文字稿。操作简单，上传或录制后等转写，导出格式有TXT、Word、SRT等。优点是界面简洁，中文支持在同类中算好的；不足是免费额度有限，超过需要付费。
最后，如果你的视频本身已经带硬字幕（就是嵌在画面里、没法直接提取的文字），那就得用OCR（光学字符识别）的方法。我试过用PaddleOCR，它是百度开源的文字识别工具，可以配合ffmpeg截帧再识别。操作大概是这样：先用ffmpeg -i video.mp4 -vf "fps=1" frames/截取堆叠帧，然后用PaddleOCR识别每一帧里的文字，最后用脚本去重合并。这种方法准确率看视频分辨率和字体清晰度，优点是能处理没有音频只有硬字幕的老视频；缺点是流程比较复杂，没有图形界面，适合有编程能力的用户。
日常场景下，我是这么分工的：批量归档长会议视频，通义听悟或飞书妙记比较合适；临时刷到一条高质量短视频想留文案，微信里打开提词匠贴链接是最快的，不用切换应用也不用下载视频；手头有本地视频需要处理，且对准确率要求很高，剪映或Whisper都是好选择；如果视频里只有硬字幕，那就得用OCR那套了。
回到开头那件事——我遇到的那个干货视频，最后是直接在提词匠里粘贴链接，几秒钟就拿到了全文稿，复制到笔记里，整个过程比手动输入省了至少十分钟。工具这东西，选对了就是省心。