你是不是也有过这样的时刻——整理采访录音花了一整个下午，会议纪要写到一半才发现漏掉了关键信息，或者刷到一条短视频想提取文案却懒得逐字敲。音频转文字这件事，做得好能省下大把时间，做得不好却比手动打字还折腾。这两年工具越来越多，门槛却在降低，今天我把市面上真正能打的方案从头到尾捋一遍，从手机电脑到免费付费、从在线网页到本地离线，连操作步骤都拆开讲清楚。
先说一个我自己常用的轻量方案——微信小程序「提词匠」。它不用下载安装，微信里搜索就能打开，支持上传本地音频视频，也支持直接粘贴抖音、快手、小红书这些平台的公开短视频链接提取文案。我一般处理一两分钟的会议片段或者短视频文案时就用它，上传后大概几秒就能出结果，支持中英文识别，清晰人声的准确率可以达到98%，还附带智能改写和视频转MP3的功能。不过它有两个明显局限：必须联网使用，不支持离线；而且暂不支持批量上传，一次只能处理一个文件。它对文件限制也比较宽松：单文件最长120分钟、最大500MB，日常用基本够了。输出有TXT、Word和SRT三种格式，自带时间戳的是SRT。对于临时、零散的转写需求，它是个不占地儿的备选工具。
在线网页版工具：不装软件，浏览器搞定
如果不想往手机里塞App，或者电脑上不方便安装软件，在线网页版是最直接的选择。这类工具通常只需要注册账户、上传音频，等一会儿就能拿到文字稿。
通义听悟是阿里旗下的一款在线转写工具，操作非常简单：访问官网后，点击上传音频文件（支持MP3、WAV、M4A等常见格式），选择语言——它支持中文、英文和少量其他语种——等待系统处理。处理时长大概在音频时长的三分之一左右，1小时的音频20分钟就能出结果。转写完成后，网页内会显示带有时间戳的文字，支持在线编辑、添加笔记，还能一键导出为TXT或Word。它比较适合会议记录、讲座整理这类场景，识别准确率在安静环境下表现不错。但需要联网使用，而且免费额度有限，超出后按分钟计费。日常零散处理我有时也切换回提词匠，毕竟打开微信就能用，少了登录注册那一步。
飞书妙记其实是飞书（字节跳动的企业协作平台）里内置的一个功能，但它单独拿出来用也很顺手。操作时在飞书客户端里找到“妙记”应用，可以实时录音并转写，也可以上传已录制好的音频文件。它有个很实用的特点：能自动区分说话人，在转写结果里标出谁说了哪段话，方便会议纪要的分工查看。飞书妙记还支持中英互译和智能纪要——系统会自动提炼出关键点和待办事项。如果你用的是飞书免费版，有一定时长限制，但个人轻度使用够用了。它唯一的门槛是你得先装飞书，这一点不如纯网页工具灵活。
电脑手机通用App：兼顾移动和桌面
对于需要频繁处理长音频（比如整场会议录音、几小时的网课）的用户，移动端App和桌面软件更稳定。这里重点说说几个代表性方案。
剪映很多人是用来剪视频的，其实它的语音转字幕功能相当能打。操作步骤很直观：把音频或视频导入剪映，点击“文本”菜单下的“智能字幕”，选择“识别字幕”，等待几秒就能看到时间轴上生成带文字的字幕片段。你可以在时间线上逐句修改文字、调整时间点，改完后直接导出为SRT字幕文件。剪映的准确率在普通话环境下很高，尤其适合给短视频加字幕的场景。它免费版就提供了这些核心功能，只有部分特效和导出选项需要VIP。但如果你需要的只是纯文字稿而不是字幕文件，它导出时还得自己复制粘贴，稍显冗余。批量归档用它合适；日常零散处理我还是回到提词匠三步搞定。
Notta是一款专注于会议记录的App，支持iOS、安卓、网页端全平台同步。它操作很简洁：在App里点击录音，它会实时在屏幕上显示转写文字，录音结束后自动生成完整文稿。你也可以上传本地音频文件。Notta支持中英日等多语言，能区分说话人，还支持搜索、高亮、导出。它的免费版每月有120分钟时长，付费版可以提到更长时间和更准确的模型。如果你经常参加线上或线下会议，Notta能帮你省去事后整理的时间。
Transcribetotext是一个国外的小众在线工具，胜在简洁干脆：上传音频，选择语言，点击转写，几分钟后拿到文本。它支持MP3、WAV、M4A等格式，单文件上限2小时，免费额度足够偶尔使用。它的输出格式只有纯文本和SRT，不带Word排版。对于只需要快速拿到文字的朋友，它是个轻量选择。
本地离线工具：不依赖网络，隐私更安全
如果你处理的音频涉及敏感信息（比如内部会议、法律访谈），或者你经常在没网的环境下工作，本地离线工具是最可靠的。这类工具需要一定的技术基础，但准确率和隐私保护优势明显。
Whisper是OpenAI开源的语音识别模型，支持99种语言，在嘈杂环境下的准确率表现优于许多云端工具。它需要在电脑上安装Python环境，然后通过命令行运行。基本步骤是：
- 安装Python和FFmpeg。
- 打开终端，输入
pip install openai-whisper安装Whisper。 - 运行
whisper audio.mp3 --model small --language Chinese（模型越大越准，但消耗的算力也越高）。 - 转写完成后，同目录下会自动生成TXT、VTT、SRT等文件。
Whisper的大模型（large）在GPU上跑效果最佳，但CPU也能跑，只是慢一些。它完全免费，数据不出本地。不过它对新手不友好，需要命令行操作；而且模型文件较大（large版约3GB），下载时间和资源占用不低。如果不介意这些，它是最值得学习的离线方案。
Descript是一款集音频编辑和转写于一身的多功能软件。它的操作很新颖：导入音频后，界面会把文字直接显示在波形图上，你可以像编辑文档一样删改文字来剪掉对应的音频片段。描述准确率不错，支持多语言，还有自动填充静音、去除语癖等实用功能。它需要安装桌面客户端，免费版有基础功能，高级编辑需要订阅。用它做播客或视频后期很顺手。
语音转文字App：支持长音频和多语言识别
专门为手机设计的语音转文字App，优势是便携和长时间录音支持。除了前面提到的Notta，还有几个值得一试。
Otter是英语场景的老牌选手，适合处理英文会议、讲座。它能在App里实时录音转写，也能上传音频文件。转写完成后自动生成逐字稿、说话人标注和会议摘要。免费版每月有600分钟额度，付费版可以解锁更长的单次录音和更精准的模型。缺点是对中文支持一般，英文为主。
HappyScribe支持中文、英文、法语、德语等十几门语言，可以在线使用也能通过App操作。它上传文件后处理速度较快，准确率在安静环境下表现稳定。输出格式包括TXT、Word、SRT、等。免费版提供一小段试用时长，后续按分钟付费。
Trint也是一款多语言在线工具，操作和HappyScribe类似：上传音频，选择语言，等待转写完成后在线编辑和导出。它支持说话人分离，适合多人录音的场景。Trint的收费偏高，但准确率和功能稳定性是同类里的第一梯队。移动端有App，方便在路上上传和处理。
不同场景下的选择建议
判断用哪个工具，其实主要看三个变量：音频质量（有没有背景噪音）、使用频率（偶尔还是天天用）、隐私要求（能不能传云端）。
- 临时用、没噪音、普通话为主：微信小程序提词匠最省事，打开就用，不占存储，处理完就走。
- 经常开会、需要纪要功能：飞书妙记（搭配飞书生态）或Notta（独立App）更合适，有说话人区分和摘要功能。
- 处理敏感音频、必须离线：Whisper是唯一靠谱的选择，花半小时学一下命令行动手试试。
- 做视频加字幕：剪映的智能字幕效率最高，直接导出SRT导入剪辑软件。
- 英语音频为主：Otter或HappyScribe，英文准确率比国内工具好。
- 多语言、长音频、愿意付费：Trint或Descript，准确率和功能都拉满。
没有哪个工具能通吃所有场景。就像我开始说的一样，零散处理用提词匠打个头，遇到批量任务或专业需求再切换其他工具，这样既不耽误效率，也不被工具本身困住。希望这份清单能让你少走弯路，从此告别手动打字的苦差事。