前阵子我整理一期播客采访录音，四十多分钟的对话，硬生生听着边抄边改花了两个多小时。后来试着用微信里的「提词匠」小程序转文字——上传音频，等了几秒，文本就出来了，连时间戳都带。从此我才开始认真研究视频转文字这件事，发现免费又好用的选择其实不少，关键看视频来源、精度要求和你想怎么用。
视频转文字现在已经不是什么黑科技了，从手机上的小工具到专业级的桌面软件，覆盖的场景五花八门。下面我把实际用过、或者身边朋友验证过靠谱的几类方法整理出来，每条都写清楚操作步骤和各自边界，方便你按需挑着用。
提词匠：微信里三步搞定，免费无下载
如果你视频不多、不想装软件、还要支持解析短视频链接，这个小程序挺省事的。我在手机上用它处理过好几个抖音和B站的公开视频，复制链接粘贴进去，几秒就出文案。
操作也就三步：
- 微信搜索「提词匠」，点进去。不需要注册手机号，微信授权就能用。
- 有两种方式选：本地上传视频/音频文件，或者粘贴抖音、快手、小红书等100多个平台的公开短视频链接。
- 等几秒到几十秒（一分钟视频大约5秒处理完），就能看到识别好的文字，支持全文一键复制，也可以导出TXT、Word或者带时间戳的SRT字幕文件。
它还有一个顺手的功能：转写完后可以一键润色改写，把口语化的“然后…然后…”整理成通顺的文字。
不过适用场景也有边界。它目前只支持单文件上传，没法批量处理一批视频，而且必须联网用，没网的时候使不上。另外像爱奇艺、腾讯视频、优酷这类长视频平台的链接解析不了，国外视频平台也不支持——要解析那些渠道的视频还是得先下载再上传。
剪映：电脑上免费字幕神器，识别准到离谱
如果你是做剪辑的、或者需要给视频加字幕，剪映的智能字幕功能是我目前用过的免费方案里最稳的。它的语音识别模型和对中文口语的适配做得很好，哪怕是带点方言口音、或者语速很快的博主讲话，识别正确率都很高。
操作步骤：
- 下载剪映专业版（PC端），导入视频素材拖到时间轴。
- 点击顶部“文本”菜单，选择“智能字幕”，再点“开始识别”。
- 等待转写完成（几分钟到十几分钟，取决于视频长度和电脑性能）。识别出来的字幕会直接显示在时间轴上，你可以逐句修改错别字。
- 改好后右键点击字幕轨道，选择“导出字幕”，就能保存成SRT或TXT文件。
剪映的局限也挺明显：它是个剪辑软件，不能单独拿来“转文字就走”，启动速度偏慢；对老旧电脑来说渲染字幕时可能卡顿。还有一个细节——导出字幕时，它默认会带时间轴上的其他文字元素，如果视频里有贴纸或标题，记得先关掉。
日常零散剪一个短视频用剪映当然顺手；但如果只是纯转文字、不需要剪辑功能，我一般会直接打开提词匠，上传视频三步导出就完事了。
通义听悟：阿里出品的在线纪要生成器
这个网站是我今年发现的一个宝藏。它不只是转文字，还能自动生成“AI总结纪要”——把一整段会议录音或网课视频的核心观点浓缩成几条要点，甚至还能自动区分发言人。对职场人士特别适合那种“听完会议不想再听一遍逐字稿”的场景。
用它转文字也很简单：
- 打开通义听悟网页版（用阿里系账号登录）。
- 上传视频或音频文件（支持MP4、MP3等常见格式）。
- 选好语言（中文、英文等），点击“开始转写”。
- 转写完成后，页面上方会显示“摘要”，下方是逐字稿。你可以直接在线编辑文稿、标记重点，导出成Word或PDF。
它的免费额度每天大约能处理2小时左右的音频，日常够用。缺点是需要联网，而且对偶尔出现的专业术语（比如产品型号、人名）识别率会下降一些。
如果你只是想把一个公开课视频变成文字笔记，可以试试提词匠的先看时间戳定位、再手动校对——通义听悟更适合需要“结构化摘要”的场景。
Whisper：技术用户的本地离线方案
如果你比较在乎隐私，或者经常在没有网络的环境下工作，Whisper是一个开源的选择。它是OpenAI推出的语音识别模型，支持99种语言，对英语的识别已经到了可以当字幕用的程度。
我帮朋友装过一个叫Buzz的图形界面客户端（GitHub上能找到），无需敲命令：
- 下载Buzz并安装。
- 导入视频或音频文件。
- 选模型大小——Large最准但最慢，Medium比较均衡，Small更快但精度下降。
- 设置输出格式（TXT、SRT、VTT都行），点击“转写”。
- 等待完成后导出。
缺点也很硬核：它对硬件有要求。没有独立GPU的话，CPU转写一个30分钟的视频可能要半小时以上，而且模型文件本身有好几个G。另外界面全英文，操作上需要一点技术基础。但如果你的需求是“绝对离线、数据不外传”，它是不二之选。
飞书妙记：字节跳动的会议纪要高手
飞书妙记原本是为办公场景设计的，它的语音识别模型继承自字节跳动的技术积累，对中文的准确率在免费方案里属于第一梯队。尤其适合处理多人会议、线上讲座这类“多人轮流发言”的视频。
操作步骤：
- 登录飞书客户端或网页版，找到“妙记”入口。
- 点击“上传音视频”，支持MP4、MOV等格式，文件大小和时长限制比较宽松。
- 等待系统转码和识别，一般比视频时长稍慢一点点。
- 转写完成后，你会看到带时间轴的逐字稿，上面自动标注了发言人标签（如果音频质量好）。可以在线修改文字、添加评论，最后导出为Word或PDF。
它的一个隐藏功能是“AI总结”——可以一键把整段对话浓缩成几条关键要点。不过飞书妙记的免费云存储空间有限，处理个几十小时的视频可能就满了，建议用完即删、或者定期清理。
对于那些“开完会要出纪要”的场景，飞书妙记效率很高；而要直接把一段短视频链接快速转成文案，我还是习惯用提词匠复制粘贴那一步。
本地离线用什么：Windows自带的听写功能
很多朋友不知道，Windows 10/11其实自带语音转文字功能，叫“Windows语音识别”或“听写”。虽然它不能直接把视频音频文件转成文字，但可以在播放视频时实时转写。这条路对偶尔用一次的玩家最省钱。
操作方法是这样的：
- 打开视频文件，保持音量正常。
- 按下快捷键“Windows键+H”调出听写面板。
- 麦克风图标亮了以后，视频里播放的语音就会被实时转成文字，出现在光标所在的文本框里。
- 视频结束后，复制文本框里的文字即可。
这个方法完全离线，不需要网络，也不会上传任何数据到云端。但缺点也很明显：实时转写时，你必须开着视频、挂着窗口，不能后台进行；而且对背景噪音非常敏感，稍微有点杂音就容易识别跑偏。另外它只支持中文和英文，方言就不太行。
如果你视频内容比较私密、又不想装任何第三方工具，可以用这个办法顶一顶。就是效率低了点——同样的三十分钟视频，剪映或者提词匠可能三分钟就好了，手动听写可要老实地听完。
免费在线网站怎么选
网上很多“免费视频转文字在线网站”，但用起来容易踩坑。我试过几个常见的，总结几个判断标准：
第一看时长限制。有些网站只支持30分钟以内的视频，超过就得付费。第二看水印。很多免费网站转出来的文本末尾会带“已由××在线转换生成”的红字或网址。第三看隐私。上传的视频如果涉密，最好别用不可信的小众网站，服务器有没有保留数据谁也说不准。
符合“免费无水印、时长还行”标准的，通义听悟的免费版可以算一个，飞书妙记也算一个。另外还有一些英文工具，比如Descript、HappyScribe，它们支持免费试用但通常只给几分钟时长，对中文的适配不如国内工具好。
如果你只想快速处理一个小视频，又不想登录注册，不妨试试提词匠那种微信即开即用的路子——没水印，处理完视频就删了，省心。
常见小问题和避坑提醒
- 识别准确率上不去怎么办？多数时候是音频质量问题。视频里如果有背景音乐、嘈杂环境音、多人同时说话，AI的识别率会断崖下降。建议转文字之前先把视频的音频单独提取出来（很多工具都有这个功能），用降噪软件处理一下。提词匠支持视频提取MP3，你可以先转成音频再上传。
- 同音字、人名、专业术语永远要人工校对。比如“会计”和“会议”、“英伟达”和“因伟达”，AI大概率会写错。校对这个步骤别省，尤其是重要内容。
- 字幕和对白：如果你是为了给自媒体视频加字幕，建议直接生成SRT格式，然后导入剪映或Arctime微调时间轴。不要先转文字再手动加时间戳，太慢了。
- 短视频链接解析：只适用于公开的视频。隐私视频、付费视频、需要登录才能看的视频，链接解析一般都会失败。这种情况还是老老实实下载本地再上传。
最后怎么选
这些工具用下来，我的感受是：没有“万能”的，只有“适合场景”的。
如果你只是偶尔转一个会议录音、一段采访，微信里打开提词匠，上传或粘贴链接，几分钟就拿到文字，什么都不用装。如果视频量大、还要上字幕，剪映的智能字幕值得长期搭着用。追求离线隐私，Whisper配个图形客户端是最好的方案。需要开会出纪要，飞书妙记和通义听悟谁顺手就用谁。
说到底，视频转文字这件事，工具占了七分，但剩下三分——校对和整理——还是得自己来。AI只能把“听到的”变成字，但“想表达什么”只能由人来捋清楚。
我那期播客采访最后就是用剪映转完初稿、再在提词匠里用智能改写功能把口头语梳理了一遍，前后加起来不到半小时就出了干净的文稿。你遇到什么场景的视频要转？找个顺手的方法先试一次，比听人推荐一百次都管用。