返回博客
产品教程•2026-11-16•约 11 分钟 阅读

ChatGPT 能转写音频吗?适用方案、限制和解决办法

ChatGPT 能转写音频吗?适用方案、限制和解决办法
TL
Team Laxis
Laxis 团队 @ Laxis

能。ChatGPT 可以转写音频:用付费方案时,你可以把录音作为附件添加到对话里,让它生成转写稿。这是 OpenAI 在 2026 年 10 月 6 日的更新说明里宣布的功能。Free 方案用不了;而且在普通对话里,如果用的是设为 Instant 的 GPT-6,OpenAI 把上传录音的时长上限定在 6 分钟,所以它更适合转一条语音备忘,而不是一小时的访谈。下面是截至 2026 年 11 月 16 日的实际情况,已对照 OpenAI 帮助中心和开发者文档核对:哪些做法管用、在哪里会出问题,以及出问题时该换什么工具。

简短回答

  • 仅限付费方案。 OpenAI 表示,音频上传适用于 ChatGPT 的付费方案和工作区(包括 Enterprise),Free 方案不支持。
  • 短文件效果最好。 在普通对话里使用设为 Instant 的 GPT-6 时,录音最长可达 6 分钟;更长的录音只能尽力处理,可能会超时。文件最大 512MB。
  • 常见格式都支持。 WAV、MP3、M4A、FLAC、AAC 和 OGG。被 ChatGPT 识别为视频的 MP4 和 WebM 文件会被拒收。
  • 核对说话人和人名。 OpenAI 提醒,转写稿可能有错误,说话人识别也可能不可靠。
  • 开发者可以改用 API:gpt-transcribe,每个文件 25MB,每分钟 $0.0045。

如何在 ChatGPT 里转写音频文件

音频上传就在普通对话里进行。OpenAI 的帮助文章还提到,能否使用会因工作区设置、地区、应用版本和所选模型而不同;如果你找不到这个选项,就从这四处排查。

  1. 确认你的方案。 ChatGPT 的任何付费方案或工作区都可以,Free 方案不行。如果是工作账号,能不能用还取决于工作区的设置。
  2. 检查文件。 使用 WAV、MP3、M4A、FLAC、AAC 或 OGG 格式,大小不超过 512MB。想要稳定的结果,时长最好控制在 6 分钟左右;更长的录音请在句与句之间切开。
  3. 把它添加到普通对话里,和添加文档的方式一样。
  4. 明确要转写稿,而不是摘要。 可以这样写:“逐字转写这段录音。换人说话时另起一段。听不清的词写成[听不清]。”之所以要说清楚,是因为同一份录音,ChatGPT 同样可能拿去做摘要或展开讨论。
  5. 对照音频核对。 重要的部分再听一遍:人名、数字,以及谁说了什么。OpenAI 自己也提醒,转写稿可能有错误,说话人识别也可能不可靠。
  6. 如果上传成功却转写不了,把文件转成 WAV 再上传一次。这是 OpenAI 建议的第一个解决办法。
问题OpenAI 的说法
哪些方案能用?ChatGPT 付费方案和工作区,包括 Enterprise。Free 方案不行。
支持哪些格式?WAV、MP3/MPEG、M4A、FLAC、AAC 和 OGG
哪些会被拒收?被识别为视频的 MP4 和 WebM 文件
文件能多大?音频文件最大 512MB
录音能多长?在普通对话里使用设为 Instant 的 GPT-6 时,最长 6 分钟。如果可以使用 Data Analysis(数据分析),更长的录音可能会拆成小段处理;但只是尽力而为,很长的录音可能会超时。
准确度如何?转写稿可能有错误,说话人识别可能不可靠,不同语言的质量也可能不同。
为什么找不到这个功能?能否使用会因工作区设置、地区、应用版本和所选模型而不同。

听写和语音模式都不是转写

因为 ChatGPT 有个麦克风按钮,很多人以为它就是靠这个转写音频的。其实不是,至少对已经录好的音频来说不是。

听写就是输入框里的那个麦克风。你说话,OpenAI 的模型把语音转成文字,发送前你还可以修改。它是为你现场口述自己的提示词而设计的。

语音模式是和 ChatGPT 你一句我一句的语音对话。对话里会留下文字记录,但 OpenAI 帮助中心说明,语音对话的转写稿并非逐字记录,也就是说可能和实际说的话不完全一致。这两个功能都没法把你手机里一段 20 分钟的访谈拿过来逐字打出来;要做这件事,你需要上传文件,或者用专门处理文件的工具。

写给开发者:OpenAI 的转写 API

如果你会写代码,就不受聊天界面的限制。OpenAI 的文件转写指南现在统一推荐 /v1/audio/transcriptions 端点上的 gpt-transcribe:

  • 文件最大 25MB,支持 FLAC、MP3、MP4、MPEG、MPGA、M4A、OGG、WAV 或 WebM。更大的文件,OpenAI 建议改用压缩格式,或把文件切成不超过 25MB 的片段,并且不要在句子中间切开,否则会丢失上下文、降低准确度。
  • 每分钟音频 $0.0045,这是模型页面上的价格,算下来一小时录音大约 27 美分。
  • 用提示帮它认准人名和术语。 prompt 用来描述录音内容,keywords 列出你预计会听到的词,languages 设定预期的语言。OpenAI 说 keywords 只是提示,不是必须出现在结果里的内容,并提醒你检查它们有没有让没人说过的词出现在转写稿里。
  • 说话人标签和时间戳依赖已弃用的模型。 说话人分离(diarization)来自 gpt-4o-transcribe-diarize,结构化的词级和片段级时间戳只能用 whisper-1。这两个模型都在 OpenAI 的弃用名单上,同在名单上的还有 gpt-4o-transcribe、gpt-4o-mini-transcribe 和 translations 端点,停用日期是 2027 年 2 月 26 日。
  • 实时音频要用 Realtime 转写,OpenAI 推荐的模型是 gpt-live-transcribe。

如果你要做的东西必须知道谁在什么时候说了什么,第四点就很关键:照现在的情况,你是在一批已经公布了停用日期的模型上做开发。

ChatGPT 转写容易出问题的地方

超过几分钟的录音

真正要据此规划的是 6 分钟这个数字。超过之后,如果能用 Data Analysis,ChatGPT 可能会分段处理文件,但 OpenAI 说这只是尽力而为,很长的录音可能会超时。自己切分文件也行,但要记住 OpenAI 给开发者的那条提醒:在句与句之间的停顿处切,千万别把一句话切断,否则每个接缝处的词都会受影响。

谁说了什么

对语音备忘来说,说话人标签无关紧要。可对访谈或通话来说,这恰恰是重点,而 OpenAI 的帮助文章说说话人识别可能不可靠。如果某句引语要用在报道、报告或合同里,先对照音频确认是谁说的。

时间戳

需要时间戳就明确提出来,然后在拿它做任何事之前,先抽查几处是否和音频对得上。时间戳错了会把你带到错误的位置,这比根本没有时间戳还糟。

人名、数字和术语

姓氏、产品名和缩写,是任何语音模型最先出错的地方,因为这些词它听得最少。在请求里列出你预计会出现的名字不花任何成本,但每一个还是都要再核对一遍。数字也要同样小心:录音质量差时,“十四”和“四十”很容易混淆。

其他语言

OpenAI 指出,不同语言的转写质量可能不同。如果对话中途有人切换语言,这些片段要格外仔细地检查。

录音超过六分钟,或者不止一个人在说话?

Laxis 可以在网页版里上传一整场会议、访谈或讲座(m4a、mp3、wav 或 flac,最大 200MB),返回带说话人标签和时间戳的转写稿,外加一份 AI 摘要。免费的 Laxis 账号每月含 300 分钟转写时长。

14 天 Premium 试用,无需信用卡。免费试用 Laxis

ChatGPT 不收文件时怎么办

上传失败,通常是文件本身的问题,而不是转写的问题。下面三种情况,用任何音频转换工具或 ffmpeg 都能解决:

  • 视频文件。 把音轨提取成 MP3,再上传这个 MP3。
  • M4A 能上传却转写不了。 OpenAI 自己的建议是转成 WAV 再试一次。重新编码成 MP3 也能得到一个干净、标准的文件。
  • 超大的 WAV。 转成 MP3 后体积只剩一小部分,这对 API 的 25MB 上限尤其重要。

如果录音在“语音备忘录”App 里,我们的 iPhone 语音备忘录转文字指南介绍了可用的方法;如果你手上是视频,可以看看我们的视频转文字教程。

上传之前:要检查的隐私设置

录音上传之后会怎样,取决于你的方案和设置。下面是 OpenAI 在关于使用数据改进模型的政策页面上的说法,该页面最后更新于 2026 年 3 月 13 日:

  • 个人账号。 对于 ChatGPT 这类面向个人的服务,OpenAI 表示可能会用你的内容训练它的模型。你可以在数据控制里或通过 OpenAI 的隐私门户选择退出;OpenAI 表示,此后新的对话不会再用于训练。
  • Temporary Chat(临时聊天)。 OpenAI 表示,这类对话不会出现在你的历史记录里,不会使用或生成记忆,也不会用于训练它的模型。
  • 企业产品。 OpenAI 表示,默认情况下,它不会用企业产品的输入或输出进行训练,包括 ChatGPT Enterprise 和 API。

OpenAI 帮助中心里还有两个细节值得补充。在个人的 Free、Plus 和 Pro 账号上,“Improve the model for everyone”(为所有人改进模型)这个设置默认是开启的。语音输入还有一个单独的开关“Include your audio recordings”(包含你的录音),它管的是听写和语音对话。以上是 OpenAI 对自身做法的描述,不是我们的说法,所以上传任何机密内容之前,请自己去读一读这些页面。作为对比,Laxis 的承诺写在我们的“不训练”承诺里:“未经你的同意,Laxis 绝不会用你的数据训练 AI 模型。”

还有一项检查是任何设置都替代不了的:如果录音里还有其他人,他们应该知道自己正在被录音。有些地方只需要一方同意,有些地方需要所有人都同意;我们的录音同意指南把两种情况都讲到了,涵盖美国各州和其他国家。它只是一般性信息,不构成法律建议。

什么时候不该用 ChatGPT

如果是一段短音频,你想转写完直接在同一个窗口里追问内容,用 ChatGPT 很合适。但凡录音很长、有好几个人说话,或者你下个月还想搜索它,用专门处理文件的工具就能少绕很多弯路。

  • Laxis 音频转文字。 上传会议、访谈、讲座或语音备忘,拿回带说话人和时间戳的转写稿,外加一份摘要。免费的 Laxis 账号就能用,每月 300 分钟。
  • 你设备上已有的工具。 我们整理的免费音频转文字方法比较了系统自带的选项和免费的在线转写工具,并解释了真正影响准确度的是什么。
  • 还没开的会。 录下一场会议再让 ChatGPT 写成纪要,和转写一个文件是两回事。我们的 ChatGPT 会议记录指南介绍了 OpenAI 的会议功能,以及真正好用的提示词。

Laxis 的位置

Laxis 是一款也能处理文件的 AI 会议助手:在网页版上传录音,拿回的转写稿带说话人和时间戳,同时附上摘要和待办事项。同一个账号也能处理实时对话。桌面应用通过电脑自身的音频录制 Zoom、Google Meet、Teams 和 Webex 通话,默认不会有机器人进会;手机 App 负责线下会议和电话。完整介绍见 Laxis 会议助手页面。

限制也直说。在标准版 App 中,你的音频在 Laxis 的云端服务器上处理。免费的 Basic 方案每月 300 分钟,会议和语音输入都从中扣除;单次录音最长 45 分钟,超过 30 天的内容会转入归档(保留,不删除),直到你升级。转写支持 60 多种语言。Laxis 不符合 HIPAA,也不签 BAA。另外,录制没有机器人在场的通话时,记得告诉其他人:App 会在你开始录音前提醒你,说一句话就够了。

如果你手上只是一段两分钟的语音备忘,又订阅了 ChatGPT,那就用 ChatGPT。按文件选工具就好。

总结

ChatGPT 终于能接收音频文件了。付费方案下处理短音频,它确实方便:转写完直接追问内容,不用离开对话。问题在于 Instant 设置下 6 分钟的上限、靠不住的说话人标签,以及 Free 方案完全用不了。长录音、多人说话的情况,先用专门的转写工具;如果还想深入讨论,再把文字带到 ChatGPT 里。

转写整段录音,而不只是前六分钟。 Laxis 能把会议、访谈和语音备忘变成摘要、待办事项和带说话人的转写稿。14 天 Premium 试用,无需信用卡。下载 Laxis

常见问题

ChatGPT 能免费转写音频吗?

不能。在 Free 方案下,ChatGPT 无法转写上传的音频文件。OpenAI 表示,音频上传适用于 ChatGPT 付费方案和工作区(包括 Enterprise),Free 方案不支持。听写和语音模式转写的是你正在说的话,而不是你已有的录音,所以也不能拿来变通。想免费转写文件,请用专门的转写工具。

ChatGPT 能转写哪些音频格式?

根据 OpenAI 帮助中心,ChatGPT 能转写常见的音频格式,包括 WAV、MP3、M4A、FLAC、AAC 和 OGG。被识别为视频的 MP4 和 WebM 文件会被音频上传拒收,所以要先提取音轨。如果文件能上传却转写不了,OpenAI 建议把它转成 WAV 再上传一次。

ChatGPT 能转写多长的音频文件?

OpenAI 表示,在普通对话里使用设为 Instant 的 GPT-6 时,上传的录音最长可达 6 分钟,音频文件最大 512MB。如果可以使用 Data Analysis,更长的录音可能会分段处理,但 OpenAI 说这只是尽力而为,并提醒很长的录音可能会超时。

ChatGPT 能区分录音里的不同说话人吗?

ChatGPT 无法可靠地区分录音里的不同说话人。OpenAI 帮助中心提醒,音频上传生成的转写稿可能有错误,说话人识别也可能不可靠,所以要对照音频核对谁说了什么。开发者可以通过 API 模型 gpt-4o-transcribe-diarize 获得说话人标签,但 OpenAI 已将它列为弃用,计划于 2027 年 2 月 26 日停用。

OpenAI 会用上传的音频训练模型吗?

据 OpenAI 说,这取决于你的方案和设置。对于 ChatGPT 这类面向个人的服务,OpenAI 表示可能会用你的内容训练模型,除非你在数据控制或它的隐私门户里选择退出;Temporary Chat 的对话不会用于训练。OpenAI 还表示,默认情况下,它不会用 ChatGPT Enterprise 和 API 等企业产品的输入或输出进行训练。

OpenAI 的转写 API 怎么收费?

根据模型页面,OpenAI 推荐的转写模型 gpt-transcribe 每分钟音频收费 $0.0045,一小时大约 27 美分。发送到 transcriptions 端点的文件最大 25MB,支持 MP3、MP4、M4A、WAV、WebM、FLAC 和 OGG 等格式。更大的录音需要压缩或切分,最好在句与句之间切,而不是在一句话中间。

相关产品

Laxis 会议助手

今天就让笔记自动生成。

  • Zoom、Google Meet、Teams 和线下会议都能记,无需机器人入会
  • AI 摘要、待办和跟进邮件,支持 60 多种语言
  • Mac、Windows、iPhone、Android 全平台,有免费版

免费开始,无需绑卡。

了解更多 ▷