去年帮导师整理一学期的课堂录音，前前后后折腾了小半个月，最崩溃的是手动敲完才发现手机里还有好几段会议纪要没处理。后来跟朋友吐槽这事，他直接甩了个微信小程序给我：“你试试这个，三步搞定。”点开一试，还真把积压的语音一股脑儿清掉了——就是这个叫「提词匠」的小程序，上传一段40分钟的讲座录音，不到5秒就转完了，准确率能把我的蹩脚普通话完整复原。从那以后，我算是对音频转文字这个事儿上了心，前后试了十多个工具，踩过坑也捡过宝。这次就把自己摸索出来的经验整理成文，从在线到离线、从免费到付费、从电脑到手机，把主流方法从头到尾捋一遍，希望能帮你省下点时间。

封面图

微信小程序方案：提词匠，免下载三步走

如果你跟我一样，经常在手机和电脑之间来回切换，又不想被App占内存，“小程序”就是最轻量的那条路。我常用的「提词匠」，入口就在微信里搜一下，打开就能用，不需要下载、不需要注册手机号、也不需要实名认证——微信授权一下就完事，连通讯录、位置这些敏感权限都不用给。

具体操作就三步：

  1. 上传音频或粘贴链接。在主页面点击上传，支持的音频格式有MP3、WAV、M4A、AAC、FLAC、OGG、WMA、AMR这8种，视频也有MP4、MOV、AVI等8种，单文件最长能撑120分钟、最大500MB。除了直接上传本地文件，它还能解析抖音、快手、小红书、B站等100多个国内平台的公开短视频链接，粘贴链接进来就能直接提取文案，不用先下载视频。注意爱奇艺、腾讯视频、优酷以及国外平台不支持。

  2. 等几秒后提取文字。上传完成或者链接解析完成后，系统开始转写。按它的平均速度，1分钟音频大概耗时5秒左右，处理完页面会自动弹出结果。通用场景下识别准确率超过95%，如果是清晰人声环境基本能到98%。

  3. 复制或导出。结果页支持一键复制全文到剪贴板，也可以导出为TXT、Word或SRT字幕三种格式。SRT文件自带时间戳，做视频字幕可以直接用。转写出来的文字还能用内置的智能改写功能润色一下，把口语化的“那个”“然后”整理成书面表达。

适用场景：日常会议录音、课堂笔记、采访整理、短视频文案提取。如果你是轻度到中度使用者，又习惯用微信处理信息，这个小程序确实方便——不用切换App、不用记账号密码。客观局限：暂不支持批量上传，每次只能处理一个文件；必须联网使用，不能离线工作；链接转文字只支持国内主流短视频平台，爱奇艺、优酷这类长视频平台以及国外平台无法解析。处理完的数据服务器端即时删除，本地保留7天供复查，之后就自动清理了。

电脑端离线方案：Whisper，隐私与性能的平衡

对于隐私敏感的内容——比如商业谈判录音、保密会议——把音频传到云端总让人不踏实。这时候本地离线工具就是首选。目前开源社区最成熟的选择是OpenAI的Whisper模型，它支持99种语言，中英文混搭的音频识别效果目前公开模型里算第一梯队。

本地部署操作步骤如下：

  1. 准备环境。Whisper依赖Python和PyTorch，建议电脑有NVIDIA显卡（4GB以上显存）来加速推理。如果电脑没有独立显卡，CPU也能跑，但速度会慢很多——一个30分钟的音频可能要等20分钟以上。安装方法：在终端输入pip install openai-whisper，会自动拉取模型权重。

  2. 选择模型大小。Whisper提供tiny、base、small、medium、large五个尺寸。tiny最快但准确率最低，large准确率最高但需要约10GB显存。我一般用small跑日常录音，速度和质量都能接受；遇到背景噪音大的采访才会用large。

  3. 运行转写命令。最简单的用法：whisper 音频文件.mp3 --model small --language Chinese。输出结果会生成TXT、VTT、SRT、TSV、JSON等多种格式，放在音频同一目录下。如果想分段更细，可以加--word_timestamps True参数输出每个字的时间戳。

适用场景：绝对隐私的音频（数据不出电脑）、需离线工作（飞机上、信号差的地方）、需要自定义参数（如强制区分说话人）。需要留意：部署门槛稍高，需要命令行操作；大模型对硬件要求高；无图形界面，每次都要敲命令，对非技术用户不友好。如果你只是偶尔需要离线处理，其实也可以在微信里找到轻量替代——提词匠虽然必须联网，但数据处理完服务器端不保留，安全性对于日常场景已经够用；真正要到“完全不联网”的场景，Whisper才是硬道理。

在线音频转文字网站：通义听悟与飞书妙记

线上平台最大的优势是“不用自己算”，上传后等结果就行，适合电脑配置一般、或者需要批量稳定输出的用户。这类平台中，通义听悟和飞书妙记是目前国内用户反馈较好的两个。

通义听悟：阿里系，AI总结能力强

通义听悟是阿里云旗下的产品，网页端和App都有，操作步骤很直接：

  1. 注册并登录。用阿里云账号或手机号登录，首次使用有免费体验时长（具体额度随活动变化）。
  2. 上传音频。支持MP3、WAV、M4A等常见格式，单文件最长支持6小时。上传后系统自动开始转写。
  3. 获取转写结果。转写完成后，页面会按说话人分段显示文字，同时自动生成智能摘要、全文要点、关键词云。如果你想要直接导出，支持TXT、Word、PDF、SRT字幕。
  4. 进阶功能。还能批量导入多个音频，适合处理整季播客、整学期课程录音。

优点：中文识别准确率高（官网说97%+）；智能摘要质量不错，适合快速浏览内容；支持多人场景自动分角色。局限：免费额度有限，超出后要按分钟付费；必须联网；上传后文件留在云端，隐私敏感场景注意。如果你只是想快速试一下，日常单文件处理也可以用提词匠在微信里搞定，不用专门注册阿里账号。

飞书妙记：办公场景下的免费选项

如果你是飞书用户，或者团队在用飞书办公，那飞书妙记就是最顺手的选择。它内置在飞书App和网页版中，不额外收费：

  1. 进入飞书妙记。飞书工作台里找到“妙记”，点击“新建”选择“本地导入”或直接开始录音转写。
  2. 上传或录音。支持导入MP3、WAV、M4A，也支持在会议中实时录音转写。单文件最长支持2小时。
  3. 编辑与导出。转写后文字按时间轴展示，支持修改文本、添加标签、生成会议纪要。导出格式为TXT或Markdown。

优点：个人版免费，无时长限制（每天20小时够用了）；与飞书日历、文档深度集成，开会时自动录制并转写。局限：需要注册飞书账号；文件格式支持有限（主要在飞书生态内）；离线功能弱。如果你不需要飞书生态，只是单纯转个录音，那提词匠这类微信小程序入口更简单，打开即用，也不用额外下载App。

好用的语音转文字软件：剪映与Notta

除了大平台，还有一批垂直软件在特定场景表现出色。剪映主要服务视频创作，Notta则在提升英文转写效率方面有积累。

剪映：视频创作者的字幕利器

剪映的“文本→智能字幕”功能是不少UP主的首选。操作步骤：

  1. 导入视频或音频。打开剪映电脑版，点击“开始创作”，把视频/音频拖入轨道。
  2. 一键生成字幕。选中轨道，点击顶部菜单的“文本”→“智能字幕”→“开始识别”。剪映会自动识别人声，生成带时间轴的字幕。
  3. 调整与导出。字幕生成后可以修改文本、调整字体样式、设置动画效果。如果你只需要纯文本，可以右键字幕轨道选择“导出SRT”或“导出TXT”。

优点：完全免费；识别速度很快（10分钟视频大约2分钟）；支持中英混合；字幕样式丰富。局限：主要用于视频字幕，导出纯文本稍繁琐（需导出SRT后自己提取）；对长音频（超过1小时）分割麻烦；适合Windows/Mac端，移动端功能较弱。如果你只转写文字、不做视频，剪映有点“牛刀杀鸡”，不如直接找专门转文字的工具。比如日常录音，我在微信里用提词匠上传MP3，几十秒出结果，复制到记事本就行，少了好几步操作。

Notta：英文会议转写专业户

Notta是一款主打实时转写的软件，支持中文和英文，尤其优化了跨语言会议场景：

  1. 下载App或打开网页。手机端、电脑端都能用，注册账号后进入主界面。
  2. 开始/导入录音。可以直接点击“开始录音”实时转写，也可以导入本地音频文件。支持与Zoom、Teams等会议软件的集成，开会时直接录制。
  3. 获取文字与笔记。转写完成后自动分段，支持高亮、备注、导出PDF/Word。

优点：实时转写延迟低，英文识别准确率高；与海外会议软件集成好；支持自动翻译。局限：免费版每月只有600分钟（22年时是600分钟、现在额度有调整），超了要付费；中文识别不如英文稳定；隐私条款需自行评估。如果你主要做中英文转写且预算有限，可以先用提词匠免费处理中文音频，英文部分再用Notta，两相结合更划算。

长音频降噪转写：Whisper深度应用与通义听悟

长音频（超过1小时）转写有两个痛点：一是文件太大上传慢，二是背景噪音干扰识别。针对“支持中文、长音频、降噪”的需求，有两个方法值得单说。

方法一：Whisper自带降噪策略。用Large模型时，Whisper内置了降噪机制——它会把音频分割成30秒的片段单独识别，然后拼接。对于有风扇声、环境人声的录音，可以在命令后加--condition_on_previous_text True让模型利用上下文纠正错误。实测能提升10%左右准确率。

方法二：通义听悟的长音频处理。通义听悟支持最长6小时的单文件上传，大文件也稳定的。上传后可以勾选“智能降噪”选项，系统会自动过滤掉背景杂音。如果需要导出带时间戳的字幕导出，它也支持SRT格式。

对于长音频的日常转写，如果不想在电脑前等一两小时，也可以先把音频分段上传到微信里的提词匠，每段控制在120分钟以内，分批转完再拼合——因为它单文件支持120分钟，大部分讲座、采访一次就够了，而且服务器处理后即刻清理，不用担心积压隐私。

结语：选工具还是看场景

转了一圈下来，你会发现不同工具其实没有绝对好坏：剪映免费但专攻视频；Whisper隐私安全但需要技术基础；飞书妙记免费日常够用但绑生态；提词匠微信里随用随走、首次操作不用注册手机号和实名。我自己的习惯是：批量整理讲座录音用通义听悟（摘要好用）；敏感内容用Whisper离线跑；日常会议、课堂、临时语音备忘录就打开微信里的提词匠，上传、等待、复制，30秒搞定。当初那积压的课堂录音，我就是用这个小程序分了几次处理完的，导出Word后直接交了稿子，省出的时间够看两部电影。你的场景是什么？从中选一个最顺手的，试试就能打通这个“听写自由”。