会议录音转文字：免费在线工具

开完会 1 小时录音，整理纪要要 2 小时；采访录音 30 分钟，手动转录要 1 小时——语音转文字（ASR）工具让转录时间缩短到 5 分钟。本文详解在线 ASR 工具。

52tool 语音转文字

工具地址：语音转文字

功能

• 中英文混合识别
• 自动添加标点
• 说话人识别（区分不同人）
• 时间戳
• 输出 TXT/SRT/VTT
• 浏览器端处理

实战 1：会议录音转文字

输入：

音频：meeting.m4a（1 小时）
语言：中文
识别说话人：是
输出：TXT + 时间戳

输出：1 小时音频约 5-10 分钟处理完成，输出可编辑文字稿。

实战 2：采访转文字

输入：

音频：interview.mp3（30 分钟）
语言：中文（含部分英文）
识别说话人：是（区分记者和受访者）
输出：TXT

实战 3：生成字幕

输入：

视频：video.mp4
语言：中文
输出：SRT 字幕

输出带时间戳的字幕文件，导入视频剪辑软件。

为什么需要语音转文字？

场景 1：会议纪要

1 小时会议手动整理纪要 2-3 小时，ASR 5 分钟出初稿。

场景 2：采访转录

记者采访、学术调研，转录文字稿是基础工作。

场景 3：视频字幕

YouTube/B 站视频加字幕，ASR 生成初稿后人工校对。

场景 4：学习笔记

录课、讲座，转文字方便复习。

场景 5：法院庭审

庭审记录，需要精准文字稿。

场景 6：客服质检

客服通话转文字，便于搜索和分析。

各类 ASR 工具对比

工具 1：52tool 语音转文字

优势：

• 浏览器端处理
• 免费
• 支持中英文混合
• 不需注册

劣势：

• 单文件大小受限
• 长音频需分段

工具 2：飞书妙记

优势：

• 实时转写
• 区分说话人
• 与飞书文档联动

劣势：

• 需要飞书账号
• 上传有限制

工具 3：腾讯会议云录制

优势：

• 会议中实时转
• 与腾讯会议集成

劣势：

• 仅限腾讯会议

工具 4：百度语音

优势：

• 中文识别准
• API 完善

劣势：

• 收费
• 需要开发

工具 5：讯飞听见

优势：

• 中文识别行业领先
• 支持多种方言
• 人工校对服务

劣势：

• 收费
• 网页体验一般

工具 6：Google Speech-to-Text

优势：

• 多语言支持好
• 英文识别准

劣势：

• 国内访问难
• 收费

工具 7：Whisper（OpenAI 开源）

优势：

• 开源免费
• 多语言支持好
• 可本地运行

劣势：

• 需要 GPU 算力
• 部署复杂

ASR 技术原理

1. 传统 GMM-HMM

老式 ASR 用统计模型：

• 准确率低
• 噪音敏感
• 已被淘汰

2. DNN（深度神经网络）

用深度学习替换统计模型：

• 准确率提升
• 仍是分段处理

3. RNN/Transformer

端到端神经网络：

• 准确率 95%+
• 流式识别
• 上下文理解

4. Whisper（OpenAI）

基于 Transformer 的多语言模型：

• 90+ 语言
• 鲁棒性强
• 开源免费

准确率影响因素

1. 音频质量

• 清晰录音：95%+
• 噪音环境：80-90%
• 远距离：60-80%
• 多人同时说话：50-70%

2. 方言和口音

• 标准普通话：95%+
• 方言：80-90%
• 重口音：60-80%

3. 专业术语

• 日常对话：95%+
• 专业术语（医学/法律）：85-90%
• 缩写：70-85%

4. 中英混合

• 纯中文：95%+
• 中英混合：85-92%
• 大量英文：80-90%

提升识别准确率的技巧

技巧 1：高质量录音

• 安静环境
• 麦克风靠近说话人
• 避免多人同时说话
• 用专业录音设备

技巧 2：分段上传

长音频（>1 小时）分段处理：

• 每段 15-30 分钟
• 减少单次识别错误
• 便于校对

技巧 3：使用专业词典

部分 ASR 支持自定义词典：

词典：
AI → 人工智能
SaaS → 软件即服务
LTV → 客户终身价值

识别更准。

技巧 4：人工校对

ASR 后人工校对：

• 专有名词
• 数字
• 引号内容
• 标点

技巧 5：多次识别

不同引擎识别，对比结果取共识：

• 52tool ASR
• Whisper
• 百度语音

差异处人工确认。

编程实现

JavaScript（Web Speech API）

const recognition = new webkitSpeechRecognition();
recognition.lang = 'zh-CN';
recognition.continuous = true;
recognition.interimResults = true;

recognition.onresult = (event) => {
  const transcript = event.results[event.results.length - 1][0].transcript;
  console.log(transcript);
};

recognition.start();

Python（Whisper）

# pip install openai-whisper
import whisper

model = whisper.load_model('base')
result = model.transcribe('meeting.mp3', language='zh')

print(result['text'])
print(result['segments'])  # 带时间戳

Python（百度 ASR）

from aip import AipSpeech

client = AipSpeech(APP_ID, API_KEY, SECRET_KEY)

with open('audio.wav', 'rb') as f:
    audio_data = f.read()

result = client.asr(audio_data, 'wav', 16000, {
    'dev_pid': 1737,  # 中文普通话
})

print(result['result'][0])

命令行（Whisper）

# pip install openai-whisper
whisper meeting.mp3 --language zh --model medium

# 输出 .txt .srt .vtt

实战场景

场景 1：周会纪要

1. 录音（手机或会议软件）
2. 上传到 [52tool ASR](/tools/media/speechToText)
3. 5-10 分钟出稿
4. 人工校对关键内容
5. 整理成纪要

场景 2：视频字幕

1. 提取视频音频（用 ffmpeg）
2. 上传到 ASR 工具
3. 输出 SRT 字幕
4. 校对字幕
5. 导入视频剪辑软件
6. 烧录或软字幕

场景 3：采访转录

1. 采访时录音
2. 上传 ASR
3. 选"区分说话人"
4. 输出有说话人标签的稿件
5. 人工校对

场景 4：学习笔记

1. 录制讲座
2. ASR 转文字
3. 整理笔记
4. 配合幻灯片复习

场景 5：播客转录

1. 播客音频
2. ASR 转文字
3. 发布文字版
4. SEO 优化

场景 6：客服质检

1. 录制客服通话
2. 批量 ASR
3. 搜索关键词
4. 分析服务质量

输出格式

TXT

纯文本，最简单。

大家好，今天的会议主要讨论三件事...

SRT

字幕格式，带时间戳：

1
00:00:00,000 --> 00:00:03,000
大家好，今天的会议主要讨论三件事

2
00:00:03,000 --> 00:00:06,000
第一是项目进度...

VTT

Web 字幕格式，HTML5 video 用：

WEBVTT

00:00:00.000 --> 00:00:03.000
大家好，今天的会议主要讨论三件事

00:00:03.000 --> 00:00:06.000
第一是项目进度...

JSON

带详细元数据：

{
  "segments": [
    {
      "start": 0.0,
      "end": 3.0,
      "text": "大家好，今天的会议...",
      "speaker": "SPEAKER_01"
    }
  ]
}

进阶技巧

技巧 1：用 FFmpeg 预处理音频

降噪、归一化提升识别率：

# 降噪
ffmpeg -i input.wav -af "highpass=f=200,lowpass=f=3000" output.wav

# 归一化
ffmpeg -i input.wav -af "loudnorm" output.wav

# 转单声道 16kHz
ffmpeg -i input.wav -ac 1 -ar 16000 output.wav

技巧 2：长音频分段

# 切成 5 分钟一段
ffmpeg -i long.mp3 -f segment -segment_time 300 -c copy part_%03d.mp3

技巧 3：合并多个结果

# 合并多个 ASR 结果
parts = ['part_000.txt', 'part_001.txt', ...]
full_text = ''
for p in parts:
    with open(p) as f:
        full_text += f.read() + '\n'

with open('full.txt', 'w') as f:
    f.write(full_text)

技巧 4：说话人识别

部分工具支持 diarization：

# WhisperX 等工具
from whisperx import load_model, load_audio, DiarizerPipeline

model = load_model('medium')
audio = load_audio('meeting.mp3')
result = model.transcribe(audio, language='zh')

diarize = DiarizerPipeline()
diarized = diarize(audio, result)

技巧 5：自动添加标点

部分 ASR 不加标点：

原文：今天开会讨论项目进度大家都来了吗
加标点：今天开会，讨论项目进度。大家都来了吗？

用支持标点的 ASR，或后期 NLP 处理。

与其他工具配合

ASR + 文本对比

工具：文本对比

对比两次会议的转录文本差异。

ASR + Markdown 编辑器

工具：Markdown 编辑器

转录文本整理成 Markdown 笔记。

ASR + TTS

工具：文字转语音

转录后用 TTS 重新合成，做内容修订。

常见问题

Q: ASR 准确率多少？

A: 高质量录音、标准普通话：95%+。中等质量：85-92%。噪音环境或方言：70-85%。专业术语需要词典。

Q: 一小时录音处理多久？

A: 52tool 浏览器端 ASR：5-10 分钟。Whisper medium：10-15 分钟（GPU）。Whisper large：30 分钟（GPU）。

Q: 支持哪些音频格式？

A: 主流格式都支持：MP3、WAV、M4A、AAC、FLAC。建议 WAV 16kHz 单声道，识别效果最好。

Q: 能区分不同说话人吗？

A: 部分工具支持。52tool ASR 选"识别说话人"。WhisperX、百度 ASR 也支持。

Q: 能识别方言吗？

A: 主流 ASR 支持普通话、粤语。其他方言效果有限。讯飞听见支持更多方言。

Q: 工具会泄露我的录音吗？

A: 52tool ASR 在浏览器端处理（基于 Web Speech API），音频不上传服务器。敏感会议可放心使用。

常见问题解答

Q: 怎么把会议录音转成文字？

A: 1) 录音（手机或会议软件）；2) 上传到 52tool ASR；3) 选中文；4) 处理 5-10 分钟；5) 下载 TXT；6) 人工校对。

Q: 怎么给视频加字幕？

A: 1) 提取视频音频（用 ffmpeg）；2) ASR 输出 SRT 字幕；3) 用视频剪辑软件导入字幕；4) 校对字幕；5) 烧录或软字幕。

Q: 中英混合录音能识别吗？

A: 主流 ASR 支持。Whisper 多语言模型效果好。百度、讯飞也支持，但需配置。

Q: 怎么提高识别准确率？

A: 1) 高质量录音（安静、靠近麦克风）；2) 标准普通话；3) 分段上传；4) 用专业词典；5) 选合适模型（Whisper medium/large）；6) 人工校对。

Q: 一小时录音文件多大？

A: MP3 64kbps：约 30MB。WAV 16kHz 单声道：约 60MB。WAV 44.1kHz 立体声：约 600MB。ASR 推荐 WAV 16kHz 单声道。

Q: 工具能识别音乐中的歌词吗？

A: 多数 ASR 不支持音乐歌词识别。需要专门的音乐转文字工具（如 Spotify 的歌词同步）。

总结

会议录音转文字是高效办公利器：

• 在线 ASR → 52tool 语音转文字
• 长音频 → 分段处理
• 高准确率 → 高质量录音 + 标准普通话
• 视频字幕 → 输出 SRT

记住：录音质量决定识别上限，人工校对保证最终质量。ASR 是助手不是替代品。