SceneMixer
繁體中文
免費註冊

語音轉文字

快速解答:語音轉文字,也稱為語音轉文本或語音辨識,會把說出的話變成文字:模型聆聽音訊、辨識字詞並加上標點,可以是你說話時即時轉換,也可以從錄音檔處理。對清晰、常見口音的語音相當準確;人名、數字、專業術語與多人同時說話的內容仍需要人工核對。在 SceneMixer 上,語音辨識只用來依每句台詞的時間點對齊字幕,字幕文字本身則來自你的腳本。
AI 短劇《最後的信封》劇照,由 SceneMixer 端到端生成(6 位角色、1 集)
範例最後的信封高清實拍1 集由 SceneMixer 從劇本端到端產出觀看劇集

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

  1. 在安靜的房間、靠近麥克風錄音;這比選哪個工具更重要。
  2. 手動設定語言與地區,不要只依賴自動偵測。
  3. 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。
  4. 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。
  5. 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

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

  1. 已設定語言與地區。
  2. 已核對人名、數字與專業術語。
  3. 說話者已依需要標註。
  4. 已保留時間戳記。
  5. 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。

人名拼寫正確的字幕

寫好腳本、算繪整集,然後匯出與人聲時間對齊的字幕。

開始新專案

更新於 2026年11月20日