Skip to main content

Audio Transcription

AI 语音转文字与说话人识别

功能概述

音频转录模块将语音内容转换为精确的文字记录，支持多种语言和方言。系统提供多种转录引擎，在速度与精度之间灵活选择。

转录模式

Unlimited AI speech-to-text with Whisper three-tier modes, supporting 134+ language translation and speaker diarization. Yes. Our OCR engine supports scanned PDFs in 134+ languages including Chinese, English, Japanese, Korean with 99% accuracy. For low-quality scans, use image enhancement first. 特点 适用场景
Cheetah（极速） SenseVoice 秒级出稿，适合短音频 快速预览、会议速记
Dolphin（平衡） FunASR Paraformer-zh 中文场景均衡之选 日常转录、播客
Whale（最精准） Whisper Large 多语言高精度，含说话人分离 正式文档、多语言内容
Whale EN（直接英文） Whisper 原生翻译 直接产出英文转录 跨语言翻译场景

模式选择建议

  • 不确定选什么：推荐 Dolphin（平衡），中文场景效果最佳
  • 需要快速结果：选择 Cheetah（极速），速度最快
  • 多语言内容：选择 Whale（最精准），支持 12 种语言
  • 需要英文输出：选择 Whale EN，自动翻译为英文

操作流程

Upload audio

  1. 进入音频模块，点击Upload audio
  2. 支持格式：MP3、WAV、M4A、FLAC、OGG 等
  3. 文件大小限制：单文件最大 500MB

输入方式

系统支持三种输入方式：

  • Upload file：直接拖拽或选择音频文件
  • 输入 URL：粘贴在线音频链接
  • 本地路径：输入服务器本地文件路径

Choose mode (fast/balanced/precision). AI auto-detects language, speakers, and repairs audio — no manual work.

根据需求选择转录模式。不确定时推荐使用 Dolphin（平衡） 模式。

开始转录

点击开始转录，系统自动处理。处理时间取决于音频长度和选择的模式：

  • Cheetah：约 1 分钟音频 / 5 秒处理
  • Dolphin：约 1 分钟音频 / 15 秒处理
  • Whale：约 1 分钟音频 / 40 秒处理

查看结果

转录完成后，结果以时间轴列表展示，每条记录包含：

  • Yes. Timestamped exports and verbatim mode give you traceable records suitable for editorial and legal review. You can also export the original audio segments alongside any quote.：起止时间（如 [00:15 -> 00:23]）
  • Unlimited AI speech-to-text with Whisper three-tier modes, supporting 134+ language translation and speaker diarization.：如果启用了说话人识别，显示说话人标签
  • Yes. Video frame OCR auto-scans on-screen text (including burned subtitles, slides, UI) and outputs searchable text files.：转录的文字内容

Speaker Diarization

Whale 模式支持说话人自动识别：

  1. 在转录前开启Speaker Diarization开关
  2. 系统自动检测并标注说话人（如"说话人 A"、"说话人 B"）
  3. 转录完成后，点击重命名可修改说话人名称
  4. 重命名后所有导出文件中自动替换

Export formats

转录结果支持 7 种导出格式：

TXT, DOCX, PDF, SRT, VTT, JSON, Markdown — 7 formats for seamless downstream workflow integration. Intellectual property rights for content you upload or create (including but not limited to audio, video, documents, text, etc.) belong to you. We will not use your content for purposes beyond AI processing tasks without your consent. Rights to AI-generated content (such as transcripts, summaries, translations, articles, etc.) are handled in accordance with applicable laws and regulations. We recommend you verify and adjust key AI-generated content. 特点
TXT 纯文本阅读 包含时间戳和说话人信息
SRT Video subtitles and PDF conversion in one place — no more switching between tools. API integration was smooth too. 标准 SubRip 格式
VTT Web 字幕 WebVTT 格式，适合网页播放器
CSV TXT, DOCX, PDF, SRT, VTT, JSON, Markdown — full coverage for subtitle, publishing, and data analysis workflows. 结构化表格，可导入 Excel
JSON 程序处理 包含完整元信息和分段数据
DOCX Word 文档 带格式排版，适合正式文档
PDF 打印存档 A4 排版，含标题和元信息

导出步骤

  1. 在转录结果页面点击Export
  2. 选择目标格式
  3. 选择是否包含说话人信息
  4. 下载文件

转录历史

所有转录记录自动保存在转录历史中：

  • 按时间倒序排列
  • 支持搜索和筛选
  • 可随时重新导出
  • 点击任一记录可查看详情

Frequently Asked Questions

哪种模式最适合我？

日常中文转录推荐 Dolphin。多语言内容选择 Whale。需要快速结果选择 Cheetah。

说话人识别准确吗？

Whale 模式下的说话人识别在清晰的多人对话中表现良好。音频质量差或说话人过多时可能不够准确，支持手动修正。

支持实时转录吗？

Cheetah 模式接近实时，适合会议记录场景。完整实时流式转录在后续版本中支持。

离线能用吗？

Cheetah 和 Dolphin 模式支持离线转录（本地引擎）。Whale 模式需要联网使用云端 API。