音频转文字是一款在线音频转录工具，支持将音频和视频文件转换为文本。工具提供多种输出格式、说话人标签、时间戳、翻译等功能，适用于会议记录、字幕制作、内容归档等场景。
功能特点
多格式支持
输入格式:支持常见音频格式 (MP3、WAV、FLAC、AAC、OPUS、OGG、M4A) 和视频格式 (MP4、MPEG、MOV、WebM)。
输出格式:提供 JSON、纯文本、SRT 字幕、VTT 字幕、详细 JSON 五种输出格式，满足不同使用场景需求。
说话人识别
启用说话人标签功能后，工具可以区分并标注不同说话人，支持设置预期的说话人数量范围，提升多人对话场景的转录准确度。
多语言识别
支持 100 多种语言的自动识别和转录，也可手动指定音频语言以提升识别准确度。
时间戳与翻译
详细 JSON 模式下可启用单词级时间戳，精确记录每个单词的时间位置。支持将非英语音频翻译为英文输出。
自定义提示
通过提示词引导转录行为，如指定专业术语、人名、地名等，提升特定领域内容的识别准确度。
使用方法
- 上传音频或视频文件（最大 100MB)
- 选择输出格式 (JSON、文本、SRT、VTT、详细 JSON)
- 选择音频语言（可选，留空则自动检测）
- 根据需要启用说话人标签、翻译、时间戳等功能
- 点击转录按钮开始处理
- 等待转录完成，查看或下载结果
参数说明
输出格式:
- JSON:结构化文本输出，便于程序处理
- Text:纯文本格式，适合直接阅读或编辑
- SRT:标准字幕格式，兼容大多数视频播放器
- VTT:网页字幕格式，适用于 HTML5 视频
- 详细 JSON:包含单词级时间戳和详细元数据
语言:指定音频使用的语言。选择正确的语言可以提升识别准确度，留空则由系统自动检测。
说话人标签:启用后区分并标注不同说话人。可选择设置最小和最大说话人数量，帮助系统更准确地进行说话人区分。
提示词:提供上下文信息或特定术语，引导转录系统正确识别专业词汇、人名、地名等。例如输入"这是一场关于机器学习的会议，主讲人是张三和李四"。
翻译:启用后将非英语音频内容翻译为英文输出。
时间戳粒度:仅在详细 JSON 格式下可用，启用后提供单词级别的时间戳信息。
应用场景
会议记录
将会议录音转换为文字记录，启用说话人标签区分不同发言人，提升会议纪要整理效率。
字幕制作
为视频内容生成 SRT 或 VTT 格式字幕文件，直接导入视频编辑软件或播放器使用。
采访整理
将采访录音转为文字稿，便于后续编辑和内容分析。
课程笔记
将课堂录音或线上课程转为文字笔记，方便复习和检索。
播客归档
为播客节目生成文字版本，提升内容的可搜索性和可访问性。
法律与医疗
转录法律咨询、医疗问诊等对话内容，用于记录存档和后续分析。
使用建议
提升识别准确度
音频质量:使用清晰、噪音少的录音文件，避免背景噪音过大或音量过低。
语言选择:如果明确知道音频语言，建议手动选择而非依赖自动检测，可以显著提升准确度。
使用提示词:对于包含专业术语、人名、地名的内容，在提示词中预先说明，帮助系统正确识别。
说话人标签的使用
如果音频包含多人对话，启用说话人标签并设置合理的说话人数量范围。例如两人对话设置最小 2 人、最大 2 人；多人会议设置最小 3 人、最大 10 人。
选择合适的输出格式
需要字幕文件:选择 SRT 或 VTT 格式。
需要程序处理:选择 JSON 或详细 JSON 格式。
仅需要阅读文本:选择 Text 格式。
需要时间戳信息:选择详细 JSON 并启用时间戳粒度。
注意事项
工具使用会消耗积分，具体消耗量根据音频时长和选择的功能而定。
音频转录准确度受音频质量、说话人口音、背景噪音、语速等因素影响。建议使用高质量录音设备和安静环境。
说话人识别功能在说话人声音特征明显时效果较好，声音相似或频繁打断的情况下可能出现混淆。
翻译功能仅支持将非英语内容翻译为英文，暂不支持其他翻译方向。
文件大小限制为 100MB, 超大文件建议先进行压缩或分段处理。
常见问题
转录结果出现大量错误怎么办?
检查音频质量是否清晰，尝试手动选择正确的语言，在提示词中说明音频内容的主题和关键术语。
说话人标签不准确?
确保说话人数量设置合理，检查音频中不同说话人的声音特征是否明显。如果多人声音相似，识别准确度会下降。
如何在视频中使用生成的字幕?
选择 SRT 或 VTT 格式导出，大多数视频编辑软件（如 Premiere、Final Cut Pro、剪映）和播放器（如 VLC、PotPlayer) 都支持导入这些格式的字幕文件。
支持实时转录吗?
当前工具仅支持上传完整音频文件后进行转录，暂不支持实时转录功能。
转录的文本可以直接用作正式文档吗?
音频转录结果建议作为初稿使用，正式文档发布前应进行人工校对和编辑，确保准确性和流畅性。
