語音轉文字

相關:AI 影片逐字稿工具 · AI 短劇字幕 · AI 文字轉語音。
語音轉文字的運作方式
音訊會被切成短片段,再轉換成隨時間變化的頻率圖。模型以數千小時、附有對應逐字稿的語音資料訓練而成,讀取這張圖後預測最可能的字詞,並利用整句話來分辨發音相近的字,例如「their」與「there」。現代系統接著會加上標點與大寫,有些還會標出是誰在說話,以及每個字開始的時間。
語音轉文字或音訊轉文字:即時聽寫與檔案轉錄
| 語音輸入(即時) | 音訊轉文字(檔案) | |
|---|---|---|
| 輸入 | 透過麥克風說出的聲音 | 錄音檔:會議、訪談、Podcast、語音備忘 |
| 速度 | 說話的同時文字就會出現 | 幾分鐘的音訊,只需一小段時間即可完成 |
| 說話者 | 一位 | 通常是多位,並會標註 |
| 輸出 | 直接輸入到你正在使用的應用程式中 | 逐字稿、文件或字幕檔 |
| 常見用途 | 訊息、筆記,免手寫 | 筆記、引述、字幕、搜尋 |
把音訊準確轉成文字的方法
- 在安靜的房間、靠近麥克風錄音;這比選哪個工具更重要。
- 手動設定語言與地區,不要只依賴自動偵測。
- 如果工具有自訂詞彙功能,請把人名、品牌與專業術語加進去。
- 在幾個時間點對照逐字稿與音訊,再逐一核對每個數字與人名。
- 保留時間戳記:它能讓你從引述文字跳回當時說話的那一刻。
免費語音轉文字:免費工具通常有哪些限制
手機和電腦內建的語音輸入是免費的。免費的音訊轉文字工具通常會限制每月分鐘數或每個檔案的長度、限制匯出格式,或不提供說話者標註。在自己電腦上執行的工具能讓錄音保持私密;線上工具則會上傳音訊,因此請先看清楚它們保存多久,以及是否會用來訓練模型。
語音轉文字仍容易出錯的地方
- 人名與冷門詞:常依發音拼出錯誤的寫法。
- 數字:「fifteen」和「fifty」很容易被互相誤判。
- 多人同時說話:兩人同時發言時,兩邊都可能漏掉字詞。
- 音樂與噪音:人聲在大聲音樂下會被漏掉。
- 口音與混用語言:句子中途切換語言,會讓許多工具混淆。
用於字幕的語音轉文字
字幕需要的不只是逐字稿:文字要切成短行,每一行對齊到說出的那一刻,再存成 SRT 或 VTT 檔,或燒錄進畫面。如果文字已經寫好,例如有腳本的影片,比較好的做法是保留腳本原文,只用語音辨識來找出時間點。
逐字稿檢查清單
- 已設定語言與地區。
- 已核對人名、數字與專業術語。
- 說話者已依需要標註。
- 已保留時間戳記。
- 已取得錄音、轉錄與發布的許可。
| 語音逐字轉錄 | 依腳本產生字幕 | |
|---|---|---|
| 文字來源 | 辨識器聽到的內容 | 照寫好的腳本 |
| 人名與拼寫 | 需要核對 | 與寫好的內容完全相同 |
| 時間點來源 | 音訊 | 影片中的人聲 |
| 最適合 | 沒有腳本的錄音 | 依腳本製作的影片 |
常見問題
SceneMixer 有語音轉文字工具嗎?
沒有針對你的錄音設計的獨立工具:SceneMixer 接受的是文字、圖片與影片,不接受音訊檔。在產品內部,語音辨識用來為字幕計時,以及讀取你重新製作的片段中的台詞。
SceneMixer 的字幕是逐字稿嗎?
不是。字幕文字是你腳本中的台詞,因此人名會與你寫的完全一致;SceneMixer 只辨識語音,用來找出每句台詞何時說出。
我可以從 SceneMixer 取得 SRT 檔嗎?
可以,針對整集:在 SceneMixer 匯出時勾選「加字幕」,然後使用「下載 SRT 字幕」。
SceneMixer 如何讀取我上傳影片的台詞?
在「復刻」分頁中,片段的每個鏡頭都會由語音辨識器聆聽,SceneMixer 會把聽到的內容引用到新的分鏡腳本中,而不是靠嘴型去猜。
如果 SceneMixer 聽不清楚某句台詞怎麼辦?
寧可留白也不會憑空編造。請把分鏡腳本與你的片段對照,然後在 SceneMixer 的編輯器中,把漏掉的台詞加到該鏡頭。
SceneMixer 的字幕要花積分嗎?
不用。SceneMixer 的字幕不收取積分;至少購買過一次的帳號即可使用。
更新於 2026年11月20日