什么是转录？含义、类型及工作原理

转录是将音频或视频中的口语转换为书面文字的过程。完成后的转录文本通常称为文字稿，记录录音中说了什么，通常还会包含时间戳和说话人轮次，方便人们阅读、搜索、引用和再次使用。这个词还有第二种科学含义：在生物学中，转录是细胞将基因的 DNA 复制为 RNA 的步骤。本指南将介绍这两种含义，然后重点讲解日常使用的转录：音频和视频工作中的转录是什么、转录的类型、人工转录和 AI 转录、如何转录录音、如何选择转录软件，以及营销和销售团队获得文字稿后如何使用它。

如果你只需要了解“什么是转录”的简短答案，那就是：某个人或语音识别系统听取录音，并把其中的文字写下来。从逐字转录规则到 SRT 字幕文件，其他所有内容都是关于如何忠实地记录这些文字，以及应根据后续用途将文本制作成什么形式的决定。

转录含义：这个词涵盖的内容

大多数人搜索的 transcription 含义源自拉丁语 transcribere，意为“跨写”或“抄写”。一般来说，transcription 是以另一种形式存在的某种内容的书面副本。那种形式通常是语音，但同一个词也用于几个相关任务，了解具体指哪一种可以避免很多混淆。

上图对比的 transcription 含义归结为两个领域。以下是你可能遇到的各个语境中的 transcription 定义：

• 语音转文字。 Transcription 是音频或视频录音中口头内容的书面记录，例如采访、会议、播客、讲座、网络研讨会和 YouTube 视频。这是记者、研究人员、营销人员、法庭记录员以及任何处理录音的人所使用的含义。
• 语言学。 语音或音位 transcription 使用国际音标等记号，记录单词的发音。语言学家转写 “water” 时关注的是元音和 “t”，而不只是这个单词。Wikipedia 关于语言学中 transcription 的词条 解释了语音 transcription 与正字法 transcription 之间的区别。
• 音乐。 Transcription 可以指通过聆听音乐，以记谱法记录一首乐曲，或将一首乐曲改编为适合另一种乐器演奏的版本。
• 医学与法律。 医学 transcription 会将临床医生口述的笔记转换为书面记录；法律 transcription 则会制作证词、听证会和录音陈述的书面记录。两者都属于语音转文字工作，但对准确性和格式有更严格的要求。
• 生物学。 基因 transcription 是将 DNA 复制为 RNA 的细胞过程，下一节将介绍这一点。

因此，当同事要求 “a transcription of the call” 时，他们指的是第一种含义。当生物学学生询问 what is transcription 时，他们指的是最后一种含义。除非另有说明，本文其余部分所说的 transcription 都是语音转文字意义上的 transcription。

生物学中的 Transcription：从 DNA 到 RNA

在分子生物学中，transcription 是基因表达的第一步。一种名为 RNA 聚合酶的酶会读取基因 DNA 的一条链，并构建一条匹配的信使 RNA（mRNA）链。随后，mRNA 离开细胞核，并作为模板构建蛋白质。National Human Genome Research Institute 关于 transcription 的术语表词条 通过一张图表提供了简短而可靠的解释。

“transcription vs translation”这一搜索几乎总是源于这一语境。Transcription 将基因信息重新写成 RNA，使用的是核酸的同一种“语言”。随后，translation 读取 RNA 并构建氨基酸链，也就是蛋白质，因此信息被转换成另一种“语言”。一个简单的记忆方法是：transcription 负责复制，translation 负责转换。有趣的是，语音转文字领域使用这两个词的方式几乎相同。将一段西班牙语采访 transcribe 后，你得到的是西班牙语文本；将该 transcript 翻译后，你得到的是英语文本。

Transcribe 是什么意思？

Transcribe 的意思是将口语或录音中的内容转换为书面形式。你可以通过写下每个人说的话来转录访谈，通过打字记录来电语音留言，或通过生成视频音轨的文字内容来转录视频。执行这项工作的人称为 transcriber 或 transcriptionist；产物称为 transcript，而这项活动称为 transcription。如果你想了解这份工作日常涉及的内容，transcript.im 提供了一份关于转录员工作内容的指南。

人们经常宽泛地使用“transcribe”和“dictate”，但两者并不相同。听写是实时进行的：你开口说话，文字会随着你的话语出现。转录通常基于已经存在的录音，这意味着你可以暂停、倒回、核对姓名、添加时间戳，并决定最终文本需要多么整洁。“transcribe”的含义也不同于“translate”：转录会保留原语言，而翻译会改变原语言。

转录类型

转录有多种类型，任何关于“什么是转录”的实际回答，都取决于你需要哪一种。它们主要有一个区别：文本保留了多少原始语音内容。选择正确的类型是任何转录工作中最重要的决定，因为它会影响工作所需的时间、文本的阅读方式以及文本的用途。

插图中的四种转录类型几乎涵盖了所有实际需求。下面将它们并列介绍：

另外还有两个常见术语。语音转录记录的是发音而不是词语，用于语言学和语言教学。说话者标注转录会标明谁说了什么，这对采访、座谈会和销售电话很重要；它可以与上述任何一种类型结合使用。

逐字转录与清理式逐字转录

逐字转录会准确记录说话者说过的内容，包括读者通常会跳过的部分。清理式逐字转录保留说话者的词语和含义，但会移除噪音。通过示例最容易看出两者的区别。

图片左侧的逐字转录和右侧的清理版本来自同一句话：

• 逐字转录：“所以，嗯，我们，我们试用了那个，呃，新的引导邮件，然后，那个，开信率上升了。它，它实际上上升了很多。”
• 清理式逐字转录：“我们试用了新的引导邮件，开信率上升了。实际上上升了很多。”
• 编辑式转录：“新的引导邮件显著提高了开信率。”

清理式逐字转录准确表达了说话者的意思，并使用说话者自己的措辞。编辑式版本更短，但“显著”是编辑使用的词，而不是说话者使用的词，因此编辑式转录不应当用于直接引语。transcript.im 指南中关于清理式逐字转录的一个实用判断方法是：如果删除某个词会改变说话者的意思，就保留它；如果删除它只会让句子更流畅，就可以删除。

当表达方式本身属于证据的一部分时，应使用完整逐字转录：例如法律工作、对话研究，以及能够从犹豫中获得信息的用户研究。除此之外，几乎所有情况都可以使用清理式逐字转录。大多数 AI 转录工具默认生成接近清理式逐字转录的内容，因为语音识别模型往往会自动省略许多填充词。

人工转录与 AI 转录

过去，转录意味着一个戴着耳机、踩着脚踏板的人。如今，在大多数工作场所，对于什么是转录，答案是自动语音识别（ASR），有时再由人工进行编辑。两种方式都有明确的适用场景。

人工转录由受过训练的转录员完成，他们听录音并打字。一个常见的经验法则是：清晰的音频每录音 1 小时，大约需要 4 小时的工作时间；音频越难处理，所需时间就越长。与软件相比，人类更擅长处理浓重口音、多人交谈、行业术语和质量较差的录音，也能遵循严格的格式指南。代价是时间：一段较长录音的人工转录需要几天，而不是几分钟。

AI 转录使用语音识别模型自动将音频转换为文字。它速度快，适用于很长的录音，而且无需额外操作就能为每一行添加时间戳。它的错误通常集中在一些可预测的地方：人名和品牌名、数字、专业术语、多人重叠讲话以及嘈杂的音频。对于使用常见语言的清晰语音，快速审核后通常就足够使用。

已有字幕是人们经常忽略的第三种来源。许多在线视频已经有由创作者编写或由平台生成的字幕轨道。如果这些字幕存在且准确，提取字幕就能获得转录文本，无需进行新的识别步骤。这正是 transcript.im——一个 YouTube 转录 和视频转录工具——首先会做的事情：当视频有可用字幕时，它会使用这些字幕；当视频没有字幕时，AI 会转录音频，并为每一行添加时间戳。

对大多数团队来说，实际可行的答案是混合方式：让 AI 转录或现有字幕生成初稿，然后由人工检查重要部分，例如人名、数字以及任何你要引用的内容。

如何转录音频和视频

无论是手动转录还是使用软件，整个过程都包含相同的五个步骤：获取录音，确定转录类型，生成文本，检查内容，并以所需格式导出。下面介绍每种方式在实际中的操作方法。

图片中的工作流程展示了如何使用工具转录音频和视频。以下步骤涵盖三种常见的开始方式，以及手动转录方法。

从链接转录公开视频

1. 复制公开视频的链接：YouTube 视频、Short、播放列表或频道，TikTok 视频、Instagram Reel，或 Facebook、LinkedIn 或 X 视频。
2. 将链接粘贴到支持链接的转录工具中，例如 transcript.im。
3. 工具会检查是否存在可用的现有字幕轨道；如果可用，就使用该字幕，否则会使用 AI 转录音频。
4. 阅读带时间戳的转录稿，修正其中的姓名或术语，然后复制或下载。

如需按平台查看详细操作，包括播放列表、频道和没有字幕的视频，请参阅我们的完整视频转录指南。

转录自己的视频文件

如果视频保存在电脑上，例如录制的网络研讨会、Zoom 导出文件、产品演示或手机录音，请上传文件，而不是粘贴链接。transcript.im 上的视频转文字转换器支持 MP4，以及 MOV、MKV、WebM 和 AVI 等其他常见格式，可以转录语音，并返回带时间戳的转录稿，供你导出为 TXT、SRT 或 VTT。

转录音频文件

播客、语音备忘录、手机录音和采访音频都可以通过相同的流程处理。将文件上传到音频转文字转换器；transcript.im 支持 WAV、MP3、FLAC、M4A、OGG 和其他常见音频格式，可以自动检测所说的语言（也可以手动设置），并为转录稿的每一行添加时间戳。如果播客只能在播客应用中收听，请先下载节目文件，再上传。

手动转录

对于较短、敏感或音质很差的录音，手动转录仍然很实用。可以采用以下设置：

• 使用可以减速播放音频的播放器。 以 0.75x 速度播放，可以让你持续输入，而不必每隔几秒暂停一次。
• 以短循环方式工作。 听五到十秒，输入内容，重新播放进行检查，然后继续。
• 边听边记录时间戳。 每隔 30 到 60 秒添加一个时间戳，或在每次说话人切换时添加，这样之后可以快速找到相关片段。
• 标记听不清的内容。 使用统一的标签，例如 [inaudible 00:12:41]，不要凭猜测填写。
• 最后完整听一遍。 在音频以正常速度播放时阅读转录稿，并修正任何不匹配的内容。

即使选择手动转录，从 AI 草稿开始并进行修正，通常也比从空白页面开始输入快得多。

哪些因素会影响转写准确率

转写准确率更多取决于录音，而不是工具。同一个语音识别模型，可能从播客麦克风录音中生成近乎完美的转写稿，却从嘈杂咖啡馆里的手机录音中生成一份混乱的稿件。最重要的影响因素包括：

• 音频质量。 近距离麦克风、安静的房间和单一说话者能带来最佳效果。回声、风声、语音下方的音乐以及音量过低都会导致错误。
• 说话者重叠。 当两个人同时说话时，人类和软件都会漏掉一些词语。多人讨论和激烈的销售通话是最难处理的素材。
• 口音和语速。 浓重的口音和极快的语速会提高错误率，尤其是对于不太常见的语言。
• 姓名、数字和术语。 产品名称、公司名称、人名、价格、日期和技术术语最容易出错。务必检查。
• 语言设置。 如果工具猜错了所使用的语言，转写结果可能会严重错误。当你知道语言时，请自行设置。
• 文本来源。 创作者撰写的字幕通常很准确；自动生成的字幕质量不一；对清晰音频进行 AI 转写通常效果可靠。

由于带时间戳的转写稿中每一行都对应录音中的某个时刻，因此检查准确率很快：跳转到时间戳，听录音，然后修正该行。对于任何你计划公开引用或发送给客户的内容，这项检查都不可省略。

如何选择转录软件

转录软件的范围从手机内置的听写功能，到专用 Web 应用、桌面编辑器和开发者 API。与其追逐所谓的“最佳”列表，不如根据你的录音内容和下一步需求来选择。

图片中的检查清单列出了你在确定使用某款转录软件前，值得询问的所有问题：

1. 它能接收哪些内容？ 公共视频链接（支持哪些平台？）、上传的音频和视频文件（支持哪些格式、文件大小上限是多少？）、播放列表或整个频道一次批量处理。
2. 它会使用现有字幕吗？ 对于在线视频，优先读取创作者字幕的工具，可能比每次都重新转录的工具更快、更准确。
3. 没有字幕时会怎样？ 它应该自动转录音频，而不是只报告没有可用的转录文本。
4. 时间戳和结构。 每一行是否都保留时间戳？你能否从某一行直接跳转到对应时间点？
5. 语言。 它能识别哪些口语语言？之后能否在保留时间戳的同时翻译转录文本？
6. 导出格式。 至少应支持用于阅读的 TXT，以及用于字幕的 SRT 或 VTT。同时确认你也能干净地复制文本。
7. 转录文本之后还能做什么？ 如果转录文本只是手段而不是终点，那么摘要、章节、笔记和改写功能都能节省时间。
8. 自动化。 如果你经常进行转录，API、供 AI 智能体使用的 MCP 服务器或脚本选项，比 Web 界面更重要。
9. 隐私和数据处理。 了解录音和转录文本的存储方式，以及哪些人可以访问，尤其要关注客户通话。

作为一个具体参考，transcript.im 支持来自 YouTube、TikTok、Instagram、Facebook、LinkedIn 和 X 的公共视频链接，支持上传音频和视频文件，会优先使用字幕，并在没有字幕时以 AI 转录作为后备方案；每一行都带有时间戳，支持 TXT、SRT 和 VTT 导出，可翻译为 12 种语言，并提供 AI 摘要、章节、笔记和思维导图，以及用于自动化的 REST API、MCP 服务器和智能体技能。无论你选择什么工具，在向团队推广之前，都应先用自己常见的一段录音进行测试，而不是使用演示片段。

转录文件格式：TXT、SRT 和 VTT

转录内容只是文本，但文件格式决定了它的使用场景。你最常遇到的三种格式：

WebVTT 是内置于 HTML 视频中的字幕格式；如果你需要手动编辑提示文件，MDN 的 WebVTT 文档展示了其结构。如果你不确定需要哪一种：TXT 用于阅读和复用，SRT 用于将字幕上传到视频平台或编辑器，VTT 用于网站视频播放器。

转录用于哪些方面？

转录内容很少是最终产品。它的价值在于，它能把只能观看或收听的内容，转变为可以搜索、引用、编辑、翻译和发送的内容。对于阅读本博客的营销、销售和创作者团队来说，以下是最有价值的用途。

内容再利用和新闻通讯

一场网络研讨会、一期播客或一段 YouTube 视频，通常包含足够的素材，可以制作成一篇博客文章、几篇社交媒体帖子、一期新闻通讯和一组引语。转录内容让这一切变得切实可行：你无需重新观看录音，只需浏览文本，挑选最精彩的段落，再针对每个渠道进行改写。已经在发布视频的创作者，可以将转录内容作为邮件列表的基础；我们的 如何开始制作新闻通讯 指南介绍了如何将视频和播客转化为定期发布的内容。反过来也同样可行：如果你想将一篇文字文章重新制作成适合社交渠道的短视频，文章转视频 工具可以从文本开始制作。

销售电话、外联和客户研究

录制的客户探索电话和产品演示中，充满了客户描述自身问题时使用的原话。将这些内容转录后，你可以跨多个通话搜索客户异议、竞争对手提及和功能请求，并在营销信息中引用真实表达。这些措辞也能让外联显得更有针对性：一封提到潜在客户在公开演讲或播客中说过的话的冷邮件，与模板邮件的阅读感受截然不同。我们的 冷邮件个性化 文章介绍了如何使用这类研究，同时避免过度个性化。在开展任何外联之前，请先验证地址，确保个性化邮件确实能够到达收件箱，而不是产生退信。

研究和 AI 分析

研究人员会转录访谈，以便对主题进行编码、比较回答，并准确引用参与者的话。营销团队也会对客户访谈、竞争对手网络研讨会和行业演讲进行同样的处理。对于 ChatGPT、Claude、Gemini 或 NotebookLM 等 AI 工具来说，转录内容也是提供录音的最简单方式；与视频链接相比，这些工具处理文本的效果要好得多。我们在 NotebookLM 指南中介绍了适用于营销和销售工作的这一流程。

无障碍访问

转录内容和字幕可以让聋人或听力困难者、无法播放声音的人，以及单纯偏好阅读的人使用音频和视频内容。网页无障碍指南（WCAG）要求为预先录制的音频提供文本替代内容，并为预先录制的视频提供字幕；W3C Web Accessibility Initiative 的转录内容指南 解释了一份优秀的转录内容应包含哪些信息。在视频旁边发布转录内容，还能为搜索引擎提供可读取和建立索引的文本。

会议、培训和知识库

内部会议、入职培训和培训视频在可以搜索后，会变得实用得多。新员工可以通过转录内容找到回答问题的五分钟片段，而不必观看一小时的视频；团队也可以将决策记录下来，而不必依赖某个人的笔记。

面向市场营销和销售团队的简单转录工作流程

如果你的团队会录制网络研讨会、演示或播客，一个小型、可重复的流程就能让每次录音发挥更大价值。下面是一套无需增加人员的有效流程：

1. 收集。 每次录音后，将文件或公开链接保存在一个共享位置。
2. 转录。 在当天使用转录软件处理录音，并按照上文“如何转录音频和视频”中的步骤操作。大多数素材使用干净逐字稿，并保留时间戳。
3. 检查高风险部分。 扫描姓名、数字、价格和产品术语，并对照录音进行更正。
4. 添加标签。 为转录稿标注主题、发言人和用途，例如：“异议：定价”“引言：入门流程”“新闻通讯创意”。
5. 重复利用。 将引言提取到销售演示文稿和外联内容中，列出博客文章或新闻通讯内容大纲；如果视频将带字幕发布，则导出 SRT 或 VTT。
6. 存储。 将最终转录稿保存在可搜索的文件夹或知识库中，方便下一个人查找。

在每份转录稿顶部使用一个简短模板，可以让档案保持一致：

Title: Q3 product webinar — onboarding emails
Date: 2026-09-14
Speakers: Maya (host), Tom (guest)
Source: webinar recording, 52 min
Type: clean verbatim, timestamped
Checked: names and numbers verified
Tags: onboarding, open rate, newsletter idea

当转录稿用于电子邮件营销活动时，最后一步应针对邮件列表，而不是文本本身：发送前清洁邮件列表，确保你投入精力制作的内容能够触达真实订阅者。我们的指南介绍了如何在发送前移除无效、高风险和不活跃的地址：清洁邮件列表。

转录常见问题

什么是转录？

转录是将音频或视频中的口语转换为书面文字的过程。结果是转录稿，其中可能包含时间戳和说话人标签。在生物学中，转录也指细胞生成基因 RNA 副本的过程。

生物学中的转录是什么意思？

在生物学中，转录是将基因的 DNA 序列复制为信使 RNA。RNA 聚合酶读取 DNA 并构建 RNA 链，之后 RNA 会被翻译成蛋白质。

转录和翻译有什么区别？

转录是将信息以同一种语言复制为书面形式；翻译则是将信息转换为另一种语言。在生物学中，转录根据基因生成 RNA，翻译则根据该 RNA 构建蛋白质。在语音处理工作中，将法语访谈转录后会得到法语文本，而翻译后则会得到另一种语言的文本。

转录的主要类型有哪些？

转录的主要类型包括逐字转录、清理式逐字转录、编辑式（智能）转录，以及带时间戳的转录或字幕。它们保留原始语音的程度不同：逐字转录会保留每个填充词和停顿，而编辑式转录则会形成润色后的句子。

什么是逐字转录？

逐字转录是对录音内容进行逐字记录的书面文本，会保留每个填充词、说话中断、重复内容和可听见的声音。当表达方式本身很重要时，例如法律记录和某些研究中，通常会使用逐字转录。

AI 转录准确吗？

对于清晰且使用常见语言的录音，AI 转录通常比较准确；其错误主要集中在姓名、数字、术语、口音和多人重叠说话的部分。在引用或发布转录稿前，请对照录音检查这些内容。

什么是转录软件？

转录软件是一种将音频和视频转换为文本的工具，通常使用语音识别技术。优秀的转录软件应支持你使用的来源格式，保留时间戳，支持你的语言，并导出 TXT、SRT 或 VTT 文件。

转录一小时音频需要多长时间？

手动转录时，一小时清晰音频通常需要大约四小时的工作时间；如果录音嘈杂或有多位说话人，所需时间会更长。使用 AI 转录时，初稿只需几分钟，此外还要加上你检查内容所花的时间。

没有字幕时，我可以转录 YouTube 视频吗？

可以。当视频没有字幕时，能够切换到语音识别的转录工具可以转录音频。transcript.im 会在现有字幕可用时使用这些字幕；如果字幕不可用，则会使用 AI 转录音频。

转录稿应该使用什么文件格式？

阅读、搜索和分享时使用 TXT；在视频编辑器和大多数视频平台中添加字幕时使用 SRT；在网页视频播放器中添加字幕时使用 VTT。许多工具都可以从同一份转录稿导出这三种格式。