能从视频里提取文字吗？

能。选择或拖入MP4、MOV、WEBM或MKV；它的声音在你的设备上读出，然后像音频文件一样转写，带说话人标签和估计的时间点，可以下载为文字或字幕（SRT或VTT）。时间是每段四分钟内的估计值，所以字幕只是大致的参考，不是逐字对齐的。

支持哪些语言？

从列表里选择录音中的语言——就是本站使用的十五种语言——或者保持自动识别，它也适合说着说着就换语言的对话，比如中文和英文混着说。文字稿里每一部分都保留它说出时的语言。

能得到字幕或电子表格吗？

能。完成的文字稿可以导出为Word、PDF、纯文本、字幕文件（SRT、VTT），以及CSV电子表格——每次发言一行，附估计的开始和结束时间。下一步需要哪种就选哪种。

我的录音会被保存吗？

我们的服务器既不保存音频，也不保存文字。四分钟一段的声音经过Lovable的AI网关发送到OpenAI，文字发送到Google的Gemini；这些服务按各自的条款处理收到的内容。我们的服务器会记下你的IP地址用于每小时限额，约两小时后删除。文字稿只有在你保存时才会保留：保存在这个浏览器里，或者登录后保存在你的账户里。

音频转文字

云端步骤

一场会议、一次采访、一堂课、一条语音消息：选好录音，拿回一份按说话人分开的整洁文字稿，可以导出为Word、PDF、纯文本、字幕或电子表格。

它是为真实的对话做的，包括说着说着就换了语言的对话；文字按说话人分开——说话人是从对话内容推断出来的，不是靠声音识别的——而不是一整块不分段的文字。

和本站其他工具不同，转写要用到服务器：本站不在你的设备上做语音识别。页面在发送任何内容之前都会先问你。录音切成每段四分钟、不带文件名，经过我们的服务器和Lovable的AI网关，发送到OpenAI的语音识别模型；文字再交给Google的Gemini整理。我们的服务器两者都不保存；那些服务按各自的条款处理。

如何音频转文字

选择或拖入一段录音或视频。
选择录音中的语言，或者对混用多种语言的对话保持自动识别。
点击“转写”并同意发送，等它转写完成、按说话人分开。
导出为Word、PDF、纯文本、字幕，或带估计时间的CSV电子表格。

支持的格式与限制

输入: MP3、WAV、M4A、OGG、FLAC、OPUS、AMR；MP4、MOV、WEBM、MKV等视频（只取声音）
输出: Word、PDF、TXT、Markdown、SRT或VTT字幕、CSV电子表格、JSON
语言: 自动识别（包括混用多种语言的对话），或从列表里选十五种语言之一
说话人: 分别标注，根据对话内容推断，不靠声音识别
时间: 在每段四分钟内估算
每小时限额: 每个IP地址每小时30段四分钟的音频（即两小时音频）
运行位置: 我们的服务器函数，再经Lovable的AI网关发送到OpenAI（语音）和Google Gemini（文字）；我们的服务器两者都不保存，那些服务按各自的条款处理

不适用于： 在很差的录音上追求完全准确——背景噪声大、几个人同时说话，仍然会出错。

究竟发送了什么，发到哪里

在点击“转写”后弹出的对话框里同意之前，什么都不会发送——除非你选过不再询问。然后你的浏览器解码录音（或视频的声音），混成 16 kHz 单声道，切成四分钟一段，每段作为一个 WAV 文件发送，名为 part-1.wav、part-2.wav 等等：只有声音，没有你的文件名。

每一段发送到我们在 Lovable Cloud 上的服务器函数，它再通过 Lovable 的 AI 网关交给 OpenAI 的 gpt-4o-transcribe 语音模型，同时附上你的自定义词汇、你选的语言（如果选了），以及已经转写出来的最后 1,200 个字符。所有段落的文字，连同你输入的说话人名字和词汇，以同样的路径发送到 Google 的 Gemini 模型，由它分出说话人，并生成标题、摘要和章节；完成的文字稿还会再发送一次，用来提取要点和待办事项。

我们的函数不会把音频或文字写入存储。它们在每次请求时记录你的 IP 地址，用于每小时限额，超过两小时就删除。Lovable、OpenAI 和 Google 保留什么，由它们各自的条款决定。“保存到库”把文字稿保存在这个浏览器里，登录后则保存在你的账户里；“分享链接”会把导出的文件上传到我们的存储，保留 24 小时，按钮旁边的说明写明了这一点。

一小时能转写多少

我们的服务器每小时接受来自同一个 IP 地址的三十段，也就是两小时的音频。如果某一段被拒绝或失败，已经完成的段落会保留，“重试失败的录音”会从失败的那一段接着做，而不是从头再来。

说话人、时间和语言怎样处理

说话人不是靠声音识别的。Gemini 从文字内容推断——提问、回答、问候和说出口的名字——并用你输入的预计说话人名字作为标签。如果这一步失败，你仍然能拿到文字，按四分钟分块，标为“未识别的发言人”。

混用多种语言的对话，语言请保持自动识别；只用一种语言的录音，选好所说的语言，能帮语音模型认得更准。

时间只在每个四分钟段的边界上是已知的；段内的发言按平均间隔排开，并标上 ~。SRT、VTT 和 CSV 文件带的就是这些估计值，所以它们只能当作录音的粗略索引，而不是紧跟说话的字幕。

常见问题

能从视频里提取文字吗？: 能。选择或拖入MP4、MOV、WEBM或MKV；它的声音在你的设备上读出，然后像音频文件一样转写，带说话人标签和估计的时间点，可以下载为文字或字幕（SRT或VTT）。时间是每段四分钟内的估计值，所以字幕只是大致的参考，不是逐字对齐的。
支持哪些语言？: 从列表里选择录音中的语言——就是本站使用的十五种语言——或者保持自动识别，它也适合说着说着就换语言的对话，比如中文和英文混着说。文字稿里每一部分都保留它说出时的语言。
能得到字幕或电子表格吗？: 能。完成的文字稿可以导出为Word、PDF、纯文本、字幕文件（SRT、VTT），以及CSV电子表格——每次发言一行，附估计的开始和结束时间。下一步需要哪种就选哪种。
我的录音会被保存吗？: 我们的服务器既不保存音频，也不保存文字。四分钟一段的声音经过Lovable的AI网关发送到OpenAI，文字发送到Google的Gemini；这些服务按各自的条款处理收到的内容。我们的服务器会记下你的IP地址用于每小时限额，约两小时后删除。文字稿只有在你保存时才会保留：保存在这个浏览器里，或者登录后保存在你的账户里。