如何免费将音频转录为文字（快速又准确）
你的手机里存着一段 40 分钟的录音。可能是一场采访、一堂讲座，或是散步时随口念叨录下的一段语音备忘。现在你需要把这些话变成文字，而且最好不花一分钱、也别搭上整个下午。
好消息是：你完全可以免费把音频转录为文字，而且如今的工具已经相当出色。但有一点很少有人事先提醒你——所谓的"出色"，取决于你的录音质量远多于取决于你用的软件。本指南将带你了解真正实用的免费方法、各自最适合的场景，以及大多数文章完全略过的关键：究竟是什么决定了你的转录稿是干净利落，还是变成一堆得逐行修改的乱码。
你的设备上已经自带的免费工具
在注册任何服务之前，先看看你手头已经有什么。大多数手机和办公套件都内置了转录功能，而对很多任务来说，这就足够了。
在 iPhone 上，Voice Memos 应用可以在设备本地完成录音转录。如果你用的是 iPhone 12 或更新机型、运行 iOS 18 或更高版本，打开一段录音，点击播放控件上方的对话气泡图标，文字就会随着播放逐词高亮显示。它完全离线运行，支持大约十种语言，因此不会有任何内容被上传。对于涉及隐私的内容来说，这是实打实的隐私优势。
在 Google Pixel 上，Recorder 应用做到了 Apple 至今仍未实现的事：在录音的同时实时转录，完全在设备本地离线完成。无需联网、无需账号、无需付费。代价是它仅限 Pixel 使用，所以如果你用的是其他 Android 手机，就得另寻他路。
Google Docs Voice Typing（语音输入）是许多人的免费主力工具。打开一个文档，进入"工具 > 语音输入"（或在 Windows 上按 Ctrl+Shift+S、在 Mac 上按 Cmd+Shift+S），然后开口说话即可。它免费、不限时长，对于清晰平稳的口述效果好得出人意料。老实说它也有局限：它几乎不会自动加标点，而且是为实时语音设计的，而非文件。要转录一段你已有的录音，人们往往会在一台设备上把音频外放，让另一台设备上的 Docs 去听，这样虽然行得通，但会牺牲质量。
Microsoft Word 的 Transcribe（转录）工具功能更强，但它并不免费。它需要付费的 Microsoft 365 订阅和网络连接。你为此得到的是：上传一个文件（.mp3、.wav、.m4a 或 .mp4），Word 会区分说话人、添加时间戳，并支持 80 多种语言，每月最多可上传 300 分钟音频。如果你本来就在为 Microsoft 365 付费，这是一个藏在明处的更优选择之一。如果你没订阅，那就跳过它。相比之下，Word 内置的 Dictate（听写）功能是免费的，可处理实时语音转文字。
提示：让工具与音频来源相匹配。设备本地的录音应用（iPhone Voice Memos、Pixel Recorder）最适合你正要现场采集的音频。基于上传的工具最适合你已有的文件。硬要让一款实时口述工具去转录一个已保存的文件，正是大多数人白白浪费一小时的地方。
免费的网页转录工具与 AI 工具
当内置选项不合用时，基于浏览器的转录工具通常就派上用场了。你上传一个文件，等上几分钟，然后下载文字。正是这类工具让免费转录在近几年真正变得好用，因为它们大多已经改用现代语音识别模型，而不再是十年前那些笨重的引擎。
各家的免费额度各不相同，所以在挑选之前，值得先了解它们大致的样子：
- Notta — 每月免费 120 分钟，适合偶尔处理较长的录音。
- Otter.ai — 每月免费 300 分钟，在会议和实时采集方面表现出色。
- TurboScribe — 每天三个文件，每个最长 30 分钟，无月度总量上限。
- OpenAI's Whisper — 免费且开源，若你愿意自行运行，则不限时长——而这对非技术用户来说正是难点所在。
这些工具大多支持你能想到的常见格式（MP3、WAV、M4A、FLAC），文件大小上限通常在 500 MB 左右。少数支持最大 1 GB 的上传。真正让人栽跟头的一个数字，是单个文件的时长上限——它和每月总量是两回事。某款工具或许每月给你 120 分钟，却可能卡在一个 90 分钟的单个文件上。在上传长录音之前就查清单文件上限，别等它失败之后才发现。
最省事的免费路径，一步步来
如果你只是想以最小的麻烦得到一段干净的录音转录稿，下面这条路几乎是我会推荐给任何人的。像 Laxis 这样的 AI 会议助手在某种特定场景下能真正体现价值，稍后我会讲到；但对于一次性的单个音频文件，用免费的网页转录工具才是正解。
- 准备好你的文件。确保它是常见格式（MP3、WAV 或 M4A）。如果你的录音设备保存的是某种冷门格式，大多数工具会在上传时自动转换，但 MP3 是最稳妥的选择。
- 挑一款符合你文件时长的免费转录工具。对于 30 分钟以内的内容，TurboScribe 的免费方案很快捷。对于较长的单个文件，Notta 每月 120 分钟的免费额度会给你更多空间。
- 上传并设置语言。这一步比人们以为的更重要。事先告诉工具正确的口语语言，能实实在在地提升准确率，对于非英语音频尤其如此。
- 等待，然后校对。转录耗时通常只是音频时长的一小部分。完成后，对照音频读一遍开头一分钟，以便发现系统性错误——听错的人名、专业术语，或反复出现的错词。
- 整理并导出。修正那少数几处错误，如果免费工具没有添加说话人标签，就手动补上，然后导出为文本、Word 或 SRT。
就这么简单。对于清晰的单人音频，你读这份清单花的时间，会比实际操作还多。
真正决定准确率的因素
接下来这部分，正是区分"能用的转录稿"和"一团糟"的关键，而它几乎和你选了哪款工具无关。每一款现代转录工具的底层用的都是大致相似的语音识别技术。真正天差地别的，是你喂给它的音频。
对于用像样的麦克风录制的清晰单人音频，准确率大约在 85% 到 95% 之间。顶尖引擎在录音室级别的录音上能达到 95% 到 98%。但换成现实世界中的音频，这个数字就会断崖式下跌，常常降到 80% 以下。20% 的错误率，用在个人语音笔记上或许无妨，但用在任何你要引用或发布的内容上就是一场灾难。
以下四点造成了大部分的破坏：
背景噪音
准确率的头号杀手。空调暖通设备的嗡嗡声、车流声、咖啡馆的嘈杂、吹到手机麦克风上的风声。一旦噪音相对于人声变得过响，引擎就只能开始靠猜了。
麦克风的距离与质量
距离说话人 6 到 12 英寸的麦克风能捕捉到完整的声音。而房间另一头的笔记本电脑麦克风，捕捉到的是单薄、带回声的版本，引擎处理起来会很吃力。
交叉说话与声音重叠
当两个人同时开口，模型实际上只能跟住其中一个。多人说话的音频，比单人声音要难上太多。
口音与行话
浓重的口音、专业术语和专有名词，正是连好工具也会出错的地方。设置正确的语言和方言会有帮助，但人名之类还是得做好手动修正的准备。
注意，这四点中有三点，都是你在按下录音键之前就能掌控的。这就引出了你能做的最划算的一次升级。
胜过任何软件的一招：一支 30 美元的 USB 麦克风，对转录准确率的提升，会超过你换用任何高端转录工具。引擎只能处理它拿到的音频，而一支贴近、像样的麦克风所提供的干净信号，胜过在一段浑浊的笔记本录音上施加再多的 AI 巧思。
次优之选，还免费：把麦克风凑近，并消除噪音。挪到距说话人一英尺以内，关上窗户，关掉风扇。十秒钟的准备，能为你省下二十分钟的修改。
说话人标签、长文件，以及免费工具的天花板
免费转录中，有两个局限反复出现，在你决定采用某套工作流之前，两者都值得了解。
第一个是说话人标签，专业上称为"说话人分离"（diarization），也就是分辨谁说了哪句话。这往往是免费方案最先砍掉的功能。不少免费转录工具丢给你的是一整块不加分段的文字，完全看不出说话人是谁。即便包含了说话人分离，其准确率也大约在 80% 到 95% 之间，遇到重叠说话和相似音色的声音时更会出错。如果你要转录一段两人访谈，需要把"采访者"和"嘉宾"清楚区分开，那就在依赖它之前，先确认该工具在免费方案里确实能做到这一点。
第二个是时长。免费方案特别喜欢限制单个文件的时长。一段三小时的录音，可能需要拆成若干段，也可能干脆超出了免费方案一个月所允许的额度。把长文件拆开处理并不丢人，但要提前做好安排。
正是这些天花板，让会议和销售通话与一次性的音频文件截然不同，成了另一回事。如果你要转录的是定期发生的对话，事后再上传的工作流很快就会让人厌烦。这正是一款专门打造的 AI 会议助手 Laxis 改变问题形态的地方：它会加入你的 Zoom、Google Meet 或 Teams 通话，实时转录，在每个人说话时为其标注说话人，并在通话结束时递给你一份带有行动项和决策的摘要。你面对的不再是一整块需要清理的文字，而是真正能用的笔记，而且它们会直接同步到 HubSpot 或 Salesforce。对于随手的一个音频文件，免费转录工具就够了。而对于你每周都要进行的通话，内置说话人标签的实时采集，是另一个层级的实用。
结语
有意思的转变在于，转录本身已经不再是难点了。如今的引擎已经足够好，以至于瓶颈上移到了录音前那十秒钟的思考上。把麦克风凑近，让房间安静下来，指明语言——然后任何免费工具都能给你一份干净的成稿。跳过这些步骤，再高端的软件也救不回那段录音。在采集环节多用一点心，你就几乎不必再为转录操心了。
常见问题
将音频转录为文字的最佳免费方式是什么？
对于你已有的录音，把它上传到像 Notta（每月免费 120 分钟）或 TurboScribe（每天三个文件，每个最长 30 分钟）这样的免费 AI 转录工具，通常是最快的路径，而且能处理大多数音频格式。如果你本来就在 Google 生态里，Google Docs Voice Typing 是真正免费、不限时长的。在运行 iOS 18 或更高版本的 iPhone 12 或更新机型上，Voice Memos 应用可在设备本地免费转录，无需任何上传。
Microsoft Word 的 Transcribe 功能免费吗？
不免费。Word 的 Transcribe 工具需要付费的 Microsoft 365 订阅和网络连接。它将上传音频限制在每月 300 分钟，支持 .mp3、.wav、.m4a 和 .mp4 文件，并覆盖 80 多种语言。如果你本来就在为 Microsoft 365 付费，它是个不错的选择，但在免费的网页版或仅限桌面的 Word 版本中并不提供。
免费音频转录的准确率如何？
对于用像样麦克风录制的清晰单人音频，准确率大约在 85% 到 95% 之间，顶尖引擎在录音室级别的录音上可达到 95% 到 98%。而在带有背景噪音、交叉说话或浓重口音的杂乱现实音频上，准确率往往会跌破 80%。音频质量比你选哪款工具更重要。
免费转录工具能标注谁说了哪句话吗？
有时能，但这是最先被收费的功能。说话人标注（称为 diarization，即说话人分离）的准确率大约在 80% 到 95% 之间，遇到重叠说话和相似音色的声音时会力不从心。许多免费方案返回的是一整块不加分段的文字，完全没有说话人标签，所以如果分清谁说了什么很重要，那就在依赖它之前先确认该工具支持说话人分离。
免费转录工具支持哪些音频格式和文件时长？
大多数免费转录工具支持 MP3、WAV、M4A 和 FLAC，文件大小上限通常在 500 MB 左右。时长限制则差异很大：有些免费方案单个文件最多 15 分钟，TurboScribe 允许每天三次、每次单个文件 30 分钟，还有少数工具允许你上传最大 1 GB 的文件。对于较长的录音，请在开始之前就查清单文件上限，而不是之后。
