什麼是轉錄？意義、類型與運作方式

轉錄是將音訊或影片中的口語轉換成書面文字的過程。完成的轉錄內容通常稱為逐字稿，會記錄錄音中所說的話，通常包含時間戳記與說話者交替，讓人們可以閱讀、搜尋、引用及再利用。這個詞還有第二種科學意義：在生物學中，轉錄是細胞將基因的 DNA 複製成 RNA 的步驟。本指南涵蓋這兩種意義，接著聚焦於日常使用的轉錄：音訊與影片工作中的轉錄是什麼、轉錄的類型、人工與 AI 轉錄、如何轉錄錄音、如何選擇轉錄軟體，以及行銷與銷售團隊取得逐字稿後如何運用它。

如果你只需要「什麼是轉錄」的簡短答案，就是：某個人或語音辨識系統聆聽錄音，並將其中的字詞寫下來。從逐字轉錄規則到 SRT 字幕檔案，其他所有內容都是在決定要多忠實地記錄這些字詞，以及文字應該採用什麼形式，才能完成接下來的工作。

轉錄的含義：這個詞涵蓋的內容

大多數人搜尋的轉錄含義，源自拉丁文 transcribere，意為「跨寫」或「抄寫」。一般來說，轉錄是將原本以另一種形式存在的內容，轉寫成書面副本。那種形式通常是語音，但同一個詞也用於幾項相關工作，而了解對方所指的是哪一種，可以避免許多混淆。

上圖對比的轉錄含義，歸結於兩個領域。以下是你可能遇到的各種情境中的轉錄定義：

• 語音轉文字。 轉錄是音訊或影片錄音中口語內容的書面紀錄：訪談、會議、Podcast、講座、網路研討會、YouTube 影片。這是記者、研究人員、行銷人員、法庭記錄員，以及任何處理錄音的人所使用的含義。
• 語言學。 語音或音位轉寫會使用國際音標等標記方式，記錄詞語的發音。語言學家轉寫「water」時，關注的是母音和「t」，而不只是這個詞。Wikipedia 的語言學轉錄條目解釋了語音轉寫與正字法轉寫之間的差異。
• 音樂。 轉錄可以指透過聆聽音樂，以記譜法記下樂曲，或將樂曲改編成適合不同樂器演奏的版本。
• 醫療與法律。 醫療轉錄會將臨床醫師口述的筆記轉換成書面紀錄；法律轉錄則會產生證詞、聽證會及錄製陳述的書面紀錄。兩者都屬於語音轉文字工作，但對準確性和格式有更嚴格的要求。
• 生物學。 基因轉錄是細胞將 DNA 複製成 RNA 的過程，下一節會介紹這項內容。

因此，當同事要求「通話的轉錄稿」時，他們指的是第一種含義。當生物學學生詢問什麼是轉錄時，他們指的是最後一種含義。除非另有說明，本文其餘部分所說的轉錄，都是指語音轉文字。

生物學中的轉錄：從 DNA 到 RNA

在分子生物學中，轉錄是基因表現的第一步。一種稱為 RNA 聚合酶的酵素會讀取基因 DNA 的一條鏈，並建立一條相匹配的信使 RNA（mRNA）鏈。接著，這段 mRNA 會離開細胞核，並作為模板來建立蛋白質。National Human Genome Research Institute 的轉錄詞彙表條目提供了簡短且可靠的說明，並附有圖表。

「transcription vs translation」這個搜尋詞幾乎總是源自這個情境。轉錄會將基因資訊改寫成 RNA，使用的是核酸的同一種「語言」。接著，翻譯會讀取 RNA，建立一條胺基酸鏈，也就是蛋白質，因此資訊會被轉換成另一種「語言」。一種簡單的記憶方式是：轉錄負責複製，翻譯負責轉換。有趣的是，語音轉文字領域使用這兩個詞的方式幾乎相同。將西班牙語訪談轉錄後，你得到的是西班牙語文字；將該轉錄稿翻譯後，你得到的則是英文文字。

「Transcribe」是什麼意思？

Transcribe 的意思，是將口語或錄音中的內容轉換成書面形式。你可以透過寫下每個人所說的話來轉錄訪談，透過打字記錄語音留言，或透過製作影片音軌的文字內容來轉錄影片。負責這項工作的人稱為 transcriber 或 transcriptionist；產出結果稱為 transcript，而這項活動則稱為 transcription。如果你想了解這份工作每天實際涉及哪些內容，transcript.im 提供了一份指南，介紹 transcriber 的工作內容。

人們經常籠統地使用「transcribe」和「dictate」，但兩者並不相同。Dictation 是即時進行的：你開口說話，文字會隨著你的談話出現。Transcription 通常是處理已經存在的錄音，這表示你可以暫停、倒帶、確認姓名、加入時間戳記，並決定最終文字應該整理得多麼乾淨。Transcribe 的含義也不同於「translate」：transcribing 會保留原始語言，而 translating 則會改變語言。

轉錄類型

轉錄有幾種類型，而對「什麼是轉錄」的實際回答，取決於您需要哪一種。它們主要有一項差異：文字保留了多少原始語音內容。在任何轉錄工作中，選擇正確的類型都是最重要的決定，因為這會決定工作需要多長時間、逐字稿讀起來的方式，以及它可以如何使用。

插圖中的四種轉錄類型幾乎涵蓋了所有實際需求。以下將它們並列比較：

另外還有兩個常見術語。語音轉錄記錄的是發音，而不是詞語，常用於語言學與語言教學。標註說話者的轉錄會標明每句話是誰說的，這對訪談、座談會和銷售通話很重要；它可以與上述任何一種轉錄類型結合使用。

逐字轉錄與清理逐字轉錄的比較

逐字轉錄會準確記下說過的內容，包括讀者通常會跳過的部分。清理逐字轉錄則保留說話者的詞語與含義，但移除雜訊。透過範例最容易看出兩者的差異。

圖片左側的逐字轉錄與右側的清理版本，來自同一句話：

• 逐字轉錄：「所以，嗯，我們、我們試用了新的 onboarding email，然後，呃，開信率上升了。它、它其實上升了很多。」
• 清理逐字轉錄：「我們試用了新的 onboarding email，開信率上升了。它其實上升了很多。」
• 編輯版：「新的 onboarding email 大幅提高了開信率。」

清理逐字轉錄版本完全表達了說話者的意思，並保留說話者的用詞。編輯版較短，但「大幅」是編輯者的用詞，而不是說話者的用詞，因此編輯轉錄不應用於直接引述。transcript.im 的 清理逐字轉錄指南 提供了一項實用測試：如果移除某個詞會改變說話者的意思，就保留它；如果只會讓句子更流暢，就可以移除。

當說話的方式本身就是證據的一部分時，請使用完整逐字轉錄：例如法律工作、對話研究，以及能從猶豫中獲得資訊的使用者研究。除此之外，幾乎所有情況都可以使用清理逐字轉錄。大多數 AI 轉錄預設會產生接近清理逐字轉錄的結果，因為語音辨識模型通常會刪除許多填充詞。

人工轉錄與 AI 轉錄

轉錄過去指的是戴著耳機、踩著腳踏板的人員工作。如今，在大多數工作場所中，對「什麼是轉錄」的答案是自動語音辨識（ASR），有時再由人工進行編輯。兩種方式各有明確的適用場景。

人工轉錄由受過訓練的轉錄人員聆聽並打字完成。一般經驗法則是，清晰的音訊每錄音 1 小時約需 4 小時的工作時間，而音訊品質較差時則需要更久。與軟體相比，人員更能處理濃重口音、多人交談、產業術語和品質不佳的錄音，也能遵循嚴格的格式指南。代價是時間：長時間錄音的人工逐字稿需要數天，而不是幾分鐘。

AI 轉錄使用語音辨識模型，自動將音訊轉換為文字。它速度快，能處理非常長的錄音，還能在不增加額外工作量的情況下，為每一行文字加入時間戳記。它的錯誤通常集中在幾個可預測的地方：姓名和品牌名稱、數字、專業術語、重疊說話者以及嘈雜音訊。對於清晰且使用常見語言的語音，快速檢查後通常就足以使用。

現有字幕是人們經常忘記的第三種來源。許多線上影片已經有由創作者撰寫或平台產生的字幕軌。當這些字幕存在且準確時，擷取字幕即可取得逐字稿，無需進行新的辨識步驟。這正是 transcript.im 這個 YouTube 逐字稿與影片轉錄工具首先採用的方式：影片有可用字幕時，就使用現有字幕；沒有字幕時，則由 AI 轉錄音訊，並為每一行文字加上時間戳記。

對大多數團隊而言，實際可行的答案是混合方式：讓 AI 轉錄或現有字幕產生初稿，再由人員檢查重要部分，例如姓名、數字以及任何你要引用的內容。

如何轉錄音訊和影片

無論您是手動轉錄還是使用軟體，工作都包含相同的五個步驟：取得錄音、決定轉錄類型、產生文字、檢查內容，以及以您需要的格式匯出。以下說明每種方式在實際操作中的流程。

圖片中的工作流程展示了如何使用工具轉錄音訊和影片。以下步驟涵蓋三種常見的起始方式，以及手動轉錄流程。

從連結轉錄公開影片

1. 複製公開影片的連結：YouTube 影片、Short、播放清單或頻道、TikTok、Instagram Reel，或 Facebook、LinkedIn、X 影片。
2. 將其貼到接受連結的轉錄工具中，例如 transcript.im。
3. 工具會檢查是否有現成的字幕軌，若可用便使用字幕；否則會使用 AI 轉錄音訊。
4. 閱讀帶有時間戳記的逐字稿，修正任何姓名或術語，然後複製或下載。

如需逐一介紹各平台的操作方式，包括播放清單、頻道及沒有字幕的影片，請參閱我們完整的 影片轉錄指南。

轉錄您自己的影片檔案

如果影片儲存在您的電腦上，例如錄製的網路研討會、Zoom 匯出檔、產品示範或手機錄音，請上傳影片，而不是貼上連結。transcript.im 的 影片轉文字轉換器接受 MP4 及其他常見格式，例如 MOV、MKV、WebM 和 AVI，會轉錄語音，並回傳可匯出為 TXT、SRT 或 VTT 的帶有時間戳記逐字稿。

轉錄音訊檔案

Podcast、語音備忘錄、手機錄音和訪談音訊都會經過相同的流程。將檔案上傳至 音訊轉文字轉換器；transcript.im 接受 WAV、MP3、FLAC、M4A、OGG 及其他常見音訊格式，會自動偵測口語語言（或讓您自行設定），並在每一行加上時間戳記來轉錄錄音。如果 Podcast 只能在 Podcast 應用程式中取得，請先下載節目檔案，再上傳該檔案。

手動轉錄

對於短篇、敏感或音質非常差的錄音，手動轉錄仍然很實用。可行的設定如下：

• 使用能減慢音訊速度的播放器。 以 0.75x 速度播放，您就能持續輸入，而不必每隔幾秒暫停。
• 以短循環方式工作。 聆聽五到十秒，輸入內容，重播以檢查，然後繼續。
• 邊進行邊寫下時間戳記。 每隔 30 到 60 秒，或每次說話者變更時，加入時間戳記，方便之後找回相關段落。
• 標記您聽不清楚的內容。 使用一致的標籤，例如 [inaudible 00:12:41]，不要自行猜測。
• 最後完整聆聽一次。 在音訊以正常速度播放時閱讀逐字稿，並修正任何不相符的內容。

即使您是手動轉錄，先從 AI 草稿開始再進行修正，通常也比從空白頁面開始輸入快得多。

影響轉錄準確度的因素

轉錄準確度受到錄音影響的程度，遠高於工具本身。同一個語音辨識模型，從 Podcast 麥克風錄音中可能產生近乎完美的文字稿，從吵雜咖啡廳中的手機錄音則可能產生混亂的結果。以下是最重要的因素：

• 音訊品質。 靠近聲源的麥克風、安靜的房間，以及單一講者能帶來最佳結果。回音、風聲、談話下方的音樂，以及音量過低都會造成錯誤。
• 講者重疊。 當兩個人同時說話時，人類和軟體都會遺漏詞句。座談會和激烈的銷售通話是最難處理的素材。
• 口音與說話速度。 濃重的口音和極快的語速會提高錯誤率，對較不常見的語言尤其如此。
• 姓名、數字與專業術語。 產品名稱、公司名稱、人名、價格、日期和技術術語是最常出錯的內容。務必檢查。
• 語言設定。 如果工具猜錯說話語言，文字稿可能會嚴重錯誤。知道語言時，請自行設定。
• 文字來源。 創作者撰寫的字幕通常很準確；自動產生的字幕品質不一；對清晰音訊進行的 AI 轉錄通常相當可靠。

由於時間戳記轉錄中的每一行都對應到錄音中的某個時刻，檢查準確度很快速：跳至時間戳記、聆聽，然後修正該行內容。任何你打算公開引用或傳送給客戶的內容，都不能省略這項檢查。

如何選擇轉錄軟體

轉錄軟體的範圍，從內建於手機中的聽寫功能，到專用網頁應用程式、桌面編輯器與開發者 API。與其追逐「最佳」清單，不如根據您的錄音內容，以及下一步要做什麼來選擇。

圖片中的檢查清單，就是您在決定使用任何轉錄軟體前，值得提出的問題：

1. 它能接收哪些內容？ 公開影片連結（支援哪些平台？）、上傳的音訊與影片檔案（支援哪些格式、檔案多大？）、播放清單，或一次批次處理完整頻道。
2. 它會使用現有字幕嗎？ 對於線上影片而言，先讀取創作者字幕的工具，可能比總是重新轉錄的工具更快速且更準確。
3. 沒有字幕時會發生什麼？ 它應自動轉錄音訊，而不只是回報沒有可用的逐字稿。
4. 時間戳記與結構。 每一行是否都保留時間戳記？您能否從某一行直接跳到對應的時間點？
5. 語言。 它能辨識哪些口說語言？之後能否在保留時間戳記的同時翻譯逐字稿？
6. 匯出格式。 至少應提供便於閱讀的 TXT，以及字幕用的 SRT 或 VTT。也請確認您能乾淨地複製文字。
7. 逐字稿之後呢？ 如果逐字稿只是手段而非終點，摘要、章節、筆記與改寫都能節省時間。
8. 自動化。 如果您經常進行轉錄，API、供 AI 代理程式使用的 MCP 伺服器，或指令碼選項，會比網頁介面更重要。
9. 隱私與處理方式。 請閱讀錄音與逐字稿的儲存方式，以及誰可以存取這些內容，尤其是客戶通話。

以具體案例來說，transcript.im 支援來自 YouTube、TikTok、Instagram、Facebook、LinkedIn 與 X 的公開影片連結、上傳的音訊與影片檔案，會優先使用字幕，並以 AI 轉錄作為備援；每一行都有時間戳記，支援 TXT、SRT 與 VTT 匯出，可翻譯成 12 種語言，並提供 AI 摘要、章節、筆記與心智圖，以及 REST API、MCP 伺服器和代理程式技能來實現自動化。無論您選擇哪一款，在向團隊全面推出前，請先用自己常見的一段錄音進行測試，而不是使用示範片段。

轉錄檔案格式：TXT、SRT 和 VTT

轉錄內容只是文字，但檔案格式決定了它可以在哪裡使用。你最常遇到的三種格式：

WebVTT 是內建於 HTML 影片中的字幕格式；如果你需要手動編輯提示檔案，MDN 的 WebVTT 文件會展示其結構。如果你不確定需要哪一種：TXT 適合閱讀和重複使用，SRT 適合將字幕上傳至影片平台或編輯器，VTT 適合網站影片播放器。

轉錄稿有哪些用途？

轉錄稿很少是最終成品。它的價值在於，能將只能觀看或聆聽的內容，轉變成可搜尋、引用、編輯、翻譯及傳送的內容。對於閱讀本部落格的行銷、銷售及創作者團隊而言，以下是最能發揮效益的用途。

內容再利用與電子報

一場網路研討會、一集 Podcast 或一部 YouTube 影片，蘊含的素材足以製作一篇部落格文章、數篇社群貼文、一期電子報及一組引言。轉錄稿讓這件事變得實際可行：你不必重新觀看錄影，只要掃讀文字、挑選最精彩的段落，再針對各個管道重新撰寫即可。已經發布影片的創作者，可以將轉錄稿作為電子郵件名單內容的骨幹；我們的 如何開始製作電子報 指南，說明如何將影片及 Podcast 轉化為定期發送的內容。反過來也同樣可行：如果你想將書面文章重新製作成適合社群管道的短片，文章轉影片 工具可以從文字開始製作。

銷售通話、開發聯絡與客戶研究

錄製的探索性通話及產品示範，充滿客戶用來描述自身問題的原話。將這些內容轉錄後，你可以搜尋所有通話中的異議、競爭對手提及內容及功能需求，並在訊息中引用真實說法。這些說法也能讓開發聯絡顯得更切合需求：一封提及潛在客戶在公開演講或 Podcast 中所說內容的陌生開發電子郵件，讀起來與範本截然不同。我們的 陌生開發電子郵件個人化 文章，介紹如何運用這類研究而不至於過度使用。在進行任何開發聯絡前，請先驗證電子郵件地址，確保個人化電子郵件確實抵達收件匣，而不是遭到退信。

研究與 AI 分析

研究人員會轉錄訪談，以便編碼主題、比較回答，並準確引用受訪者的話。行銷團隊也會對客戶訪談、競爭對手的網路研討會及產業演講採用相同做法。轉錄稿也是將錄音或錄影提供給 ChatGPT、Claude、Gemini 或 NotebookLM 等 AI 工具最簡單的方式，因為這些工具處理文字的效果遠勝於處理影片連結。我們在 NotebookLM 指南中，介紹了這套適用於行銷及銷售工作的流程。

無障礙

轉錄稿及字幕能讓聽障人士、無法播放聲音的人，以及單純偏好閱讀的人使用音訊及影片內容。網頁無障礙指南（WCAG）要求預先錄製的音訊提供文字替代內容，並為預先錄製的影片提供字幕；W3C 網頁無障礙倡議的轉錄稿指南 說明優良的轉錄稿應包含哪些內容。在影片旁發布轉錄稿，也能提供搜尋引擎可讀取及索引的文字。

會議、培訓與知識庫

內部會議、新人入職課程及培訓影片，在具備搜尋功能後會變得實用得多。轉錄稿能讓新進員工直接找到回答問題的五分鐘內容，而不必觀看一整個小時；也能讓團隊將決策留存紀錄，不必依賴某人的筆記。

行銷與銷售團隊的簡易轉錄工作流程

如果您的團隊會錄製網路研討會、示範或 Podcast，一個小型且可重複的流程，就能從每段錄音中發揮更多價值。以下是一套不需要增加人力的做法：

1. 收集。 每次錄音後，將檔案或公開連結儲存在同一個共用位置。
2. 轉錄。 在同一天使用轉錄軟體處理，並依照上方「如何轉錄音訊與影片」中的步驟操作。大多數內容使用乾淨逐字稿，並保留時間戳記。
3. 檢查高風險部分。 掃描姓名、數字、價格與產品術語，並對照錄音進行修正。
4. 標記。 為轉錄稿標註主題、講者與用途：「異議：定價」、「引述：導入」、「電子報點子」。
5. 重複使用。 將引述放入銷售簡報與開發訊息中，規劃部落格文章或電子報內容；如果影片將以字幕形式發布，則匯出 SRT 或 VTT。
6. 儲存。 將最終轉錄稿放在可搜尋的資料夾或知識庫中，讓下一位使用者能夠找到。

在每份轉錄稿頂端使用簡短範本，可以讓檔案庫保持一致：

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

當轉錄稿要用於電子郵件行銷活動時，最後一步應該針對名單，而不是文字：寄送前先清理名單，讓您投入心力製作的內容真正送達訂閱者。我們的清理電子郵件名單指南，涵蓋寄送前移除無效、高風險與非活躍地址的方法。

轉錄常見問題

什麼是轉錄？

轉錄是將音訊或影片中的口語轉換為書面文字的過程。結果會產生逐字稿，其中可能包含時間戳記和講者標籤。在生物學中，轉錄也指細胞製作基因 RNA 副本的過程。

生物學中的轉錄是什麼意思？

在生物學中，轉錄是將基因的 DNA 序列複製到信使 RNA 中。RNA 聚合酶會讀取 DNA 並建立 RNA 鏈，之後再將其翻譯成蛋白質。

轉錄和翻譯有什麼不同？

轉錄會以相同語言將資訊複製成書面形式；翻譯則會將其轉換成另一種語言。在生物學中，轉錄會從基因製造 RNA，而翻譯則會根據該 RNA 建立蛋白質。在語音處理工作中，轉錄法文訪談會產生法文文字，而翻譯則會產生另一種語言的文字。

轉錄的主要類型有哪些？

轉錄的主要類型包括逐字轉錄、乾淨逐字轉錄、編輯式（智慧型）轉錄，以及加上時間戳記的轉錄或字幕。它們保留原始語音的程度不同，從逐字轉錄中的每個填充詞和停頓，到編輯後逐字稿中的流暢句子都有。

什麼是逐字轉錄？

逐字轉錄是錄音的逐字書面紀錄，會保留每個填充詞、說到一半的句子、重複內容和可聽見的聲音。當說話方式本身很重要時，例如法律紀錄和部分研究，就會使用逐字轉錄。

AI 轉錄準確嗎？

對於清晰且使用常見語言的錄音，AI 轉錄通常很準確，但錯誤通常集中在姓名、數字、專業術語、口音和多人重疊說話的部分。在引用或發布逐字稿前，請對照錄音檢查這些內容。

什麼是轉錄軟體？

轉錄軟體是一種通常使用語音辨識將音訊和影片轉換為文字的工具。優質的轉錄軟體應支援您使用的來源格式、保留時間戳記、支援您的語言，並可匯出 TXT、SRT 或 VTT。

轉錄一小時的音訊需要多久？

手動轉錄時，一小時的清晰音訊通常需要約四小時的工作時間；若是嘈雜或多人說話的錄音，所需時間會更長。使用 AI 轉錄時，草稿只需幾分鐘，另外還要加上您檢查內容所花的時間。

沒有字幕時，可以轉錄 YouTube 影片嗎？

可以。當影片沒有字幕時，能回退使用語音辨識的轉錄工具可以轉錄音訊。transcript.im 會在現有字幕可用時使用字幕；若字幕不可用，則會使用 AI 轉錄音訊。

逐字稿應使用什麼檔案格式？

閱讀、搜尋和分享時使用 TXT；在影片編輯器及大多數影片平台上使用字幕時使用 SRT；在網頁影片播放器上使用字幕時使用 VTT。許多工具都能從同一份逐字稿匯出這三種格式。