逐字稿是什么？转写稿的 4 种类型、格式规范与示例

有人让你把逐字稿发一份过去，你说没问题，逐字稿谁不知道。可文件一打开：每隔几秒一个时间戳，人名全是大写字母，中间还有一行只写着 [多人同时说话]。这下就没那么确定了。

先说明一点：英文 transcript 还有一个意思，是学校教务部门开具的成绩单，记录你修过哪些课、拿了什么成绩。如果你要找的是成绩单，请联系所在学校的学籍或教务部门。本文讲的是另一层意思：根据录音整理出来、把说出口的话写成文字的记录。

逐字稿是什么：它是一份文档，不是一项工作

逐字稿（也叫转写稿）是指一份文字文档，按说话的先后顺序记录录音里说了什么，并标明每句话是谁说的。定义就这么简单。时间戳、方括号标注、开头的信息栏、文件扩展名，都是在此基础上叠加的约定，目的是让这份文档好用。

混淆往往从这里开始：人们说“转写”，有时指这项工作，有时指它的产物。怎么把文档做出来（成本多少、要多快、用机器还是人工）是另一个话题，我们在姊妹篇里专门讲了语音转写的过程。本文只讲产物本身。

逐字稿和笔记有两点不同。第一，它是线性的：从录音开头一路跟到结尾，不会跳着只记精彩部分。第二，在它声称的那种风格下，它是完整的。摘要可以挑着记，逐字稿不行。把大家找不到那页幻灯片的无聊 5 分钟跳过去，你得到的就是笔记；还硬要叫它逐字稿，迟早会有人跟你争。

逐字稿有哪 4 种类型？各自删掉了什么

每份逐字稿都要决定：真实口语里那些磕磕绊绊，保留多少。按保留的多少，常见的有 4 种风格。委托别人转写时，选错风格是最常见的翻车原因。

完整逐字（full verbatim，也叫 true verbatim）

什么都留。每一个“嗯”、每一次结巴和说一半重来，连同笑声、长时间停顿、背景噪音这些非语音声音，全都标出来。完整逐字记下的不只是说了什么，还有是怎么说的。它做起来慢，读起来累，可有些场合偏偏非它不可：法律程序、警方问询，以及把说话时的犹豫也当作数据的研究。

干净逐字（clean verbatim）

保留原话，去掉杂音。干净逐字会删掉语气词、口头禅和结巴，但不改写，句子仍是说话人自己的。多数转写服务商会保留有意义的说一半重来和自我纠正，因为这些能看出说话人确实拿不准；一小时能冒出 40 次的“你知道吧”这类口头禅则会删掉。会议、大会分享、焦点小组和课堂录音，默认都用这种风格。

智能逐字（intelligent verbatim）

在可读性上再往前一步。除了删语气词，转写员还会顺手修正语法、合并重复的话，并删掉没有意义的插话（“不好意思，我家狗又闹了”）。说话人的语气保留，粗糙的地方去掉。研究者准备引用的访谈，常选这一种。容易混淆的是，有些供应商把“智能逐字”和“干净逐字”当成一回事。

编辑稿（edited transcript）

加工最重的一种。编辑会调整语序、压缩句子、修正语法，把文字整理成没到现场的读者也能读顺的样子。公开发表的访谈、演讲稿和播客的 shownotes 都属于这一类。代价也很实在：编辑稿最好读，但作为原始记录也最站不住脚。

提示：开工前先把风格写清楚。 这些术语没有统一标准，这家说的“干净逐字”，可能就是那家的“智能逐字”。别只报一个名称，直接发两行要求：“保留说一半重来，删除语气词，听不清的地方标时间戳。”这一句话能帮你避开最贵的返工：语气词本该保留，结果 40 小时的音频全部重做。

逐字稿格式长什么样：一份会议逐字稿示例

光看描述不够直观。下面是一段简短商务会议的干净逐字稿，排版方式和大多数专业逐字稿一样。

逐字稿示例：干净逐字

逐字稿：Q3 定价复盘会 录制日期：2026 年 8 月 5 日 | 时长：00:42:11 | 说话人：3 位 风格：干净逐字

[00:00:04] MAYA CHEN：好，开始录了。Dan，修改后的毛利数据 你带来了吗？

[00:00:09] DAN OKAFOR：带了。企业级客户毛利率 61%，比 Q2 高了 4 个点。中端市场那块就难看了。

[00:00:21] MAYA CHEN：怎么个难看法？

[00:00:23] DAN OKAFOR：客服压力。价格一样，工单差不多是 三倍。我觉得是 [听不清 00:00:27] 新手引导。

[00:00:31] PRIYA RAO：对得上。我们 6 月上线了自助式新手 引导，使用率还不到 30%。

[00:00:38] MAYA CHEN：所以要解决的不是——[多人同时说话]——

[00:00:39] DAN OKAFOR：——要解决的是新手引导，不是价格。

[00:00:44] MAYA CHEN：那就记一条待办。Priya，周四前能按 同期群把使用率拉出来吗？

[00:00:51] PRIYA RAO：没问题，周三给你。

[00:00:53] [录音暂停]

这份示例用到了 4 条几乎通用的格式规范：

• 开头的信息栏。 标题、日期、时长、说话人数和风格。有了它，一大段文字到 6 个月后仍是一份可以引用的文档。
• 说话人标签。 用全名（英文名全部大写），需要匿名时用 INTERVIEWER（访谈者）、RESPONDENT（受访者）这类角色标签。前后要统一：半份稿子写 DAN、半份写 D. OKAFOR，之后不管怎么搜索都会漏。
• 时间戳。 像上面那样每次换人时打一个，或者每隔 30 秒到 2 分钟固定打一个。打得更密只会添乱，更疏又不好定位。
• 非语音内容一律放进方括号。 [听不清]、[多人同时说话]、[笑声]、[录音暂停]。规范的逐字稿会给 [听不清] 标上时间戳，方便别人回去重听、把空缺补上。

这 4 条全靠手工做很费事，所以现在大多由工具自动生成。会议工具能自动加上信息栏、说话人标签和时间戳。比如 Laxis 会把 Zoom、Google Meet 和 Microsoft Teams 会议转写成带说话人标签和时间戳的文档，同时提取待办事项，Priya 刚领的任务就不用指望谁记得写下来。不管你的逐字稿从哪来，衡量它的都是上面这几条标准；具体怎么操作，可以看录音转文字的方法。

逐字稿、CC 字幕、字幕、会议纪要：4 种不同的文档

这 4 个词经常被混着用，其实不能互换。区分它们只看两点：文字是否跟时间轴同步；内容是完整的，还是有取舍的。

逐字稿完整且独立，关掉视频也能单独读。CC 字幕（closed caption，也叫隐藏式字幕）同样完整，但跟时间轴同步，被切成一段段随音频出现的短句；它还带有非语音信息，因为它是给听不见的人看的。字幕（subtitle）跟时间轴同步，但有取舍，只有对白，因为它默认你听得见声音，只是听不懂这门语言。会议纪要两样都不是：它是一份结构化摘要，记录决定、负责人和截止日期。

这几种文档只能单向转换。逐字稿可以切分、加上时间轴做成 CC 字幕，也可以归纳成会议纪要；反过来就靠不住了：字幕在随意的位置断行，段落结构已经没了；会议纪要更是有意扔掉了 95% 的字。所以，逐字稿要留着。

CC 字幕和字幕有什么区别？很多人都搞混了

问 10 个人字幕是什么，9 个人描述的其实是 CC 字幕。两者的区别不只是样子不同；在有监管要求的场合，它决定了你合不合规。

字幕默认你听得见。 它解决的是语言问题，所以只有对白。画面外有人摔门，字幕不用写，因为你听到了。

CC 字幕默认你听不见。 它解决的是无障碍问题，所以声音里有的它都要有：谁在说、说了什么，以及影响理解的非语音声音，比如 [不祥的音乐渐强]、[玻璃碎裂]、[叹气]。所以 CC 字幕看起来更杂。

还有两个相关术语。SDH（subtitles for the deaf and hard of hearing，面向聋人和听障人士的字幕）是二者的混合：用字幕的样式，装 CC 字幕的内容，流媒体平台提供的通常就是这种。“closed”（隐藏式）的意思只是可以开关；开放式字幕（open captions）直接烧录进画面，关不掉，也就是常说的硬字幕，所以在静音自动播放的信息流里最常见。两者在技术规格上也不同：广播电视的 CC 字幕传统上每行约 32 个字符，SDH 文件最多允许 42 个，所以同一部片子的同一句台词，在两个播放器里断行的位置不一样。

提示：先查清你们的无障碍政策到底要求哪一种。 很多团队上线了翻译字幕，就在无障碍那一栏打了勾，后来才发现根本没达标。聋人和听障用户需要的是 CC 字幕或 SDH，也就是能标明说话人、描述关键声音的文字；海外观众需要的是翻译字幕。大多数视频库两种都要，是两套文件、两笔费用。

逐字稿有哪些文件格式？SRT 和 VTT 有什么区别

看扩展名就知道一份逐字稿是拿来做什么的。常见的大约有 6 种。

.txt 是最基础的格式：没有排版，没有元数据，什么软件都能打开，拿去给脚本处理、做检索都很方便。.docx 适合需要人来阅读、批注或涂黑敏感内容的场合，它能保留样式、悬挂缩进和修订记录。.pdf 用于签字、认证或归档，版式固定不变。.json 信息最全：逐词时间戳、每个词的置信度、作为结构化字段的说话人标识。如果你要在逐字稿上做检索或分析，就要 JSON 格式。

另外两种是字幕格式，却常被误当成逐字稿格式。.srt（SubRip）是通用的上传格式：一个个带编号的文本块，每块有开始和结束时间，几乎所有剪辑软件、播放器和平台都支持，毫秒前用逗号分隔，比如 00:00:01,500。.vtt（WebVTT）是为网页设计的格式，配合 HTML5 的 <track> 元素使用。它要求第一行写 WEBVTT，毫秒前用句点而不是逗号（00:00:01.500），块编号可有可无，还能承载 SRT 做不到的东西：CSS 样式、屏幕位置、章节标记、元数据轨道，对阿拉伯语、希伯来语这类从右往左书写的语言支持也更好。

这两种格式都不适合用来保存逐字稿。它们在设计上就不保留段落结构，想从一段段计时文本里重新拼出通顺的文章，相当折腾。母版留一份文本或 JSON，视频需要字幕时再导出 SRT 或 VTT。

哪些行业离不开逐字稿

逐字稿听起来是个小众的东西，但数一数靠它吃饭的行业，你就不会这么想了。

• 法律。 要求最严的用户，没有之一。庭外取证（deposition）和庭审都要求完整逐字记录，通常还带行号，方便律师引用“第 43 页第 12 行”。经过认证的逐字稿附有签字的准确性声明，可以作为证据使用。
• 医疗。 医生口述病程记录、手术记录和出院小结，这些都会进入患者病历。准确性要求毫不含糊，专业词汇密集，保存期限动辄以年计。
• 研究。 质性研究离不开访谈和焦点小组的逐字稿。研究者要逐行给逐字稿编码、提炼主题，所以选哪种风格（犹豫停顿要不要保留）会影响研究结论。
• 媒体。 记者把采访整理成逐字稿，是为了引用准确，事后有人质疑也拿得出依据。播客主发布逐字稿，是因为只有这样，说出来的内容才能被搜索到，逐字稿也就悄悄成了 SEO 资产。
• 商业。 量最大、也最杂的一类：销售通话、董事会、全员大会、合规录音。没人会从头读到尾，这些逐字稿是拿来搜索、引用、从中找出决定的。所以 Laxis 会把逐字稿的摘要和下一步行动同步到 HubSpot 或 Salesforce，让通话记录直接落在商机所在的地方，而不是躺在没人打开的文档里。

剩下的就是其他所有人：语音备忘录、讲座、家族口述史访谈、宁可读也不想看的 YouTube 视频。到这里，逐字稿和语音输入有了交集，但两者是两回事：语音输入是有意识地用说话来写字。如果你要的是这个，可以先看我们的 AI 语音输入法推荐。

每场会议都能拿到一份干净、标好说话人的逐字稿

Laxis 可以录制、转写并总结 Zoom、Google Meet 和 Microsoft Teams 会议，支持 100 多种语言，说话人标签、时间戳和待办事项一应俱全。免费版每月含 300 分钟转写时长。

免费试用 Laxis

总结

逐字稿的价值曲线，和你产出的其他东西正好相反。摘要在写完那一周最有用，一年后就没什么价值了，因为它只留下了那个周二对写摘要的人重要的内容。逐字稿刚做出来那一周几乎没用，没人会去读一场自己参加过的会议的 9,000 字记录；但它此后每个月都更值钱，因为它留下了当时没人知道日后会重要的内容。所以那些枯燥的格式细节值得认真对待。这些都不是为你自己做的，而是为 18 个月后必须从里面找出某一句话的那个人。

常见问题

逐字稿是什么？

逐字稿是按说话顺序，把音频或视频里说过的话记录下来的文字文档，也叫转写稿。它会标明每位说话人，通常还带时间戳，所以任何一行都能对应回原始文件里的某个时刻。

逐字稿格式是什么样的？

逐字稿开头是一小段信息栏，写明标题、日期、时长和参与者，接下来是一轮一轮的发言。每轮发言以时间戳和说话人标签开头，英文名用大写。听不清的地方放在方括号里，比如 [听不清] 或 [多人同时说话]。

逐字稿有哪几种？

常见的有 4 种。完整逐字保留每一个声音，包括结巴和语气词。干净逐字保留原话，但删掉语气词和口头禅。智能逐字还会顺一顺语法、删掉重复。编辑稿则是为发表而改写的版本。各家供应商的叫法不统一，下单前要确认对方说的是哪一种。

逐字稿和字幕有什么区别？

逐字稿是一份可以单独阅读的文档，不需要视频。字幕是切成一段段、按时间显示在视频上的简短对白，通常是译文，给听得见声音但听不懂这门语言的观众看。

逐字稿和会议纪要是一回事吗？

不是。逐字稿按顺序一字不落地记下所有发言。会议纪要是对会议决定的简短结构化总结：参会人、决定、负责人和截止日期。一小时的会议，可以产出一份 9,000 字的逐字稿和一页纸的会议纪要，两者都没错。

逐字稿应该用什么文件格式？

要给人阅读、批注或归档，用 .docx 或 .pdf；要交给软件处理，用 .txt 或 .json；只有文字必须作为字幕和视频同步时，才用 .srt 或 .vtt。母版留一份纯文本，其他格式按需导出。

transcript 也有成绩单的意思吗？

有。在教育领域，academic transcript 指成绩单，是学生所修课程和所得成绩的官方记录，由学校或大学的教务部门开具。它和录音意义上的 transcript 只是同一个英文单词，没有别的关系。需要成绩单，请向学校教务部门申请。