什么是转录稿？类型、格式与示例

有人让你把转录稿发过去，你说没问题，因为这东西你当然知道是什么。然后文件到了：每隔几秒就有一个时间戳，名字全是大写，中间还夹着一行只写着 [多人同时说话]。突然就没那么显然了。

先分一个岔路口。Transcript 在英文里还有另一个意思：你在学校修过的课程和拿到的成绩的官方记录，也就是教务处签发的成绩单。如果你要的是那个，该去的地方是你所在院校的学籍管理部门。本文讲的是另一层含义：由录音整理出来、把说出口的话写下来的文字记录。

转录稿是一份文档，不是一项工作

转录稿是一份文本文档，它按说话的先后顺序，记录一段录音里说了什么，并标明每一句出自谁口。定义就这么多。其余的一切——时间戳、方括号注记、开头的信息块、文件扩展名——都是叠加在上面的约定，为的是让这份文档真正可用。

这个词也被松散地拿来指那项工作本身，而不只是产物，混淆就是从这里开始的。产出这份文档——成本、速度、机器还是人工——是另一个话题，我们在配套的一篇里写了转录这件事本身。本页讲的是那个产物。

有两点把转录稿和笔记区分开来。它是线性的：跟着录音从头走到尾，而不是跳到有意思的地方。而且，就它自称的那种风格而言，它是完整的。摘要可以挑挑拣拣；转录稿没有这个权利。把大家找不到正确幻灯片的那无聊五分钟略过去，你得到的就是笔记——把它叫作转录稿，早晚会引发一场争执。

四种转录风格，以及各自舍弃了什么

每一份转录稿都要决定，真实口语里的杂乱要保留多少。四种风格分布在这条光谱上，而选错风格，是转录订单出岔子最常见的方式。

完整逐字（也叫真逐字）

全都要。每一个“嗯”、每一次结巴和说到一半重来，加上笑声、长时间停顿、背景噪音这些非言语声响，全部标注出来。完整逐字捕捉的不只是说了什么，还有是怎么说的。它产出慢、读起来难受，而这恰恰正是它被要求的场合：法律程序、警方讯问，以及犹豫本身就是数据的研究。

净化逐字

保留原话，去掉噪音。净化逐字剔除填充词、口头禅和结巴，但不做转述——句子仍然是说话人的。多数机构会保留有意义的重来和自我更正，因为它们标记着真实的犹疑；而每小时冒出四十次的那种反射性的“你知道吧”则会被删掉。它是会议、大会分论坛、焦点小组和课堂录音的默认选项。

智能逐字

向可读性再走一步。除了删填充词，转录员还会轻微修补语法、合并重复，并去掉不承载意义的插话（“抱歉，我家狗在闹”）。说话人的语气还在；粗糙不在了。研究者在准备引用的访谈里常偏好这一种。容易混淆的是，有些供应商把“智能逐字”和“净化逐字”当同义词用。

编辑稿

加工最重的一版。编辑会调整从句顺序、收紧句子、修正语法，并为一个从未在现场的读者重新塑形文本。发表的访谈、演讲文稿和播客节目笔记都属于这一类。代价是实打实的：编辑稿读起来最舒服，作为记录也最经不起推敲。

提示：动工之前先把风格说清楚。 这些术语并没有标准化——一家供应商的“净化逐字”就是另一家的“智能逐字”。别指望标签。请改发一份两行的规格说明：“保留重来，删除填充词，给听不清的段落打时间戳。”这句话能避免最昂贵的那种返工——因为填充词本该留下，而把四十小时音频重做一遍。

转录稿实际长什么样

光靠描述走不了多远。下面是一段简短商务会议的净化逐字转录稿，排版方式和多数专业稿件一致。

转录稿示例 —— 净化逐字

转录稿 —— Q3 定价评审 录制时间：2026 年 8 月 5 日 | 时长：00:42:11 | 说话人：3 风格：净化逐字

[00:00:04] MAYA CHEN: 好，我们开始录了。Dan，修订后的 毛利数字你带了吗？

[00:00:09] DAN OKAFOR: 带了。企业版是百分之六十一的毛 利率，比 Q2 高了四个点。中端市场就比较难看了。

[00:00:21] MAYA CHEN: 怎么个难看法？

[00:00:23] DAN OKAFOR: 支持负担。价钱一样，工单大概是三 倍。我觉得是[听不清 00:00:27]上手引导。

[00:00:31] PRIYA RAO: 说得通。我们六月上线了自助式上手 引导，采用率还不到百分之三十。

[00:00:38] MAYA CHEN: 所以要修的不是——[多人同时说话]——

[00:00:39] DAN OKAFOR: ——要修的是上手引导，不是价格。

[00:00:44] MAYA CHEN: 那就定个行动项。Priya，周四之前能 把分批次的采用率拉出来吗？

[00:00:51] PRIYA RAO: 好。周三。

[00:00:53] [录音暂停]

这里有四条近乎通用的约定在起作用：

• 开头的信息块。 标题、日期、时长、说话人数量、风格。这会把一堵文字墙变成六个月后仍然可引用的文档。
• 说话人标签。 全名大写，或者在需要匿名时用“访谈者”“受访者”这样的角色标签。要保持一致——半份稿子标 DAN、半份标 D. OKAFOR，会毁掉针对它的每一次检索。
• 时间戳。 像上面那样在每次换人时打，或者按 30 秒到两分钟的固定间隔打。更细是噪音；更粗则让关键时刻难以定位。
• 方括号，用于一切非言语内容。 [听不清]、[多人同时说话]、[笑声]、[录音暂停]。严肃的转录稿会给“听不清”标记加上时间戳，好让人回去听、把空缺补上。

手工把这四条都做对很繁琐，所以如今大部分已经是自动生成的。会议工具会自动产出信息块、标签和时间戳——比如 Laxis 会把 Zoom、Google Meet 和 Microsoft Teams 通话转录成一份带标签、带时间戳的文档，并同时把行动项提取出来，于是 Priya 刚接下的那件事，不必指望谁记得写下来。无论你的稿子从哪里来，上面这些约定就是衡量它的标准；我们那篇如何把音频转成文字的实操指南讲的是具体做法。

转录稿、隐藏式字幕、字幕、会议纪要：四种不同的文档

这四个词常被当成同义词，其实并不能互换。归根到底是两个问题：文本是否与时间轴同步，以及它是完整的还是有取舍的。

转录稿是完整而独立的——把视频关掉你照样能读。隐藏式字幕同样完整，但与时间同步，被切成随音频播放而出现的小块，并且携带非言语信息，因为它是为听不见的人做的。字幕与时间同步但有取舍，只有对白，因为它假定你听得见声音，只是不懂那门语言。会议纪要两者都不是：它是关于决定、责任人和截止日期的结构化摘要。

这些文档只朝一个方向流动。你可以把转录稿切块、打上时间做成隐藏式字幕，或者把它归纳成会议纪要。反过来就不可靠了：隐藏式字幕是在任意换行处切开的，段落结构已被剥离；而会议纪要是故意扔掉了 95% 的字。留住转录稿。

隐藏式字幕与普通字幕的区别，因为几乎所有人都搞错了

随便问十个人什么是字幕，九个描述的其实是隐藏式字幕。这个区别不是表面功夫，在受监管的场景里，它划分的是合规与不合规。

字幕假定你听得见。 它解决的是语言问题，所以只承载对白，别的都不带。画外一扇门被摔上，不需要字幕——你听见了。

隐藏式字幕假定你听不见。 它解决的是无障碍问题，所以承载声轨承载的一切：谁在说、说了什么，以及影响意义的非言语声响——[不祥的音乐渐强]、[玻璃碎裂]、[叹气]。这就是隐藏式字幕看起来更杂乱的原因。

还有两个术语补齐这一套。SDH——为聋人与听障者提供的字幕——是混合体：用字幕的呈现方式承载隐藏式字幕的内容，这正是流媒体平台通常提供的东西。而“隐藏”只是“可开关”的意思；开放式字幕被烧录进视频、关不掉，所以它们在静音自动播放的信息流里占了主导。两者在机制上也不同：广播用的隐藏式字幕传统上每行上限约 32 个字符，而 SDH 文件允许到 42 个，这就是同一部片子在两个播放器里换行位置不同的原因。

提示：查清楚你的无障碍政策到底要求哪一种。 团队常常上线了翻译字幕、勾上无障碍那一栏，事后才发现从来没有满足要求。聋人和听障人士的无障碍需要的是隐藏式字幕或 SDH——能标明说话人、描述有意义声响的文本。国际受众需要的是翻译字幕。多数视频库两者都需要，作为两套文件、两笔成本。

转录稿会以哪些文件格式交到你手上

扩展名会告诉你这份转录稿是为什么而生的，你会遇到的大约有六种。

.txt 是最小公分母：没有排版、没有元数据，哪儿都能打开，能干净地喂给脚本和检索。.docx 适合有人要阅读、批注或涂黑——它保留样式、悬挂缩进和修订记录。.pdf 是要签字、认证或归档的那一版，版式被冻结。.json 最丰富：词级时间戳、逐词置信度、作为结构化字段的说话人标识。如果你要在转录稿之上做检索或分析，就要 JSON。

然后是两种被人错当成转录稿格式的字幕格式。.srt（SubRip）是通用的上传格式——带起止时间的编号块，几乎每个剪辑软件、播放器和平台都接受，毫秒分隔符是逗号：00:00:01,500。.vtt（WebVTT）是为 Web 而生的，为 HTML5 <track> 元素而设计。它要求开头有一行 WEBVTT，用句点而不是逗号（00:00:01.500），块编号可选，并且携带 SRT 装不下的东西：CSS 样式、屏幕定位、章节标记、元数据轨，以及对阿拉伯语、希伯来语这类从右到左语言更好的处理。

两者都不是存放转录稿的好地方。它们在设计上都丢弃段落结构，而从分段计时的碎块里重建可读的散文是一件真正烦人的活。留一份文本或 JSON 母版；视频需要时再导出 SRT 或 VTT。

到底是谁在靠转录稿过日子

转录稿听起来像个小众产物，直到你数一数有多少行当是建立在它之上的。

• 法律。 迄今为止最严苛的用户——庭外取证和庭审要求完整逐字记录，通常还标行号，好让律师引用“第 43 页第 12 行”。经认证的转录稿附有签署的准确性声明，可作为证据使用。
• 医疗。 临床医生口述病程记录、手术记录和出院小结，这些都会进入患者档案。准确性标准毫不容情，词汇密度极高，保存年限以年计。
• 研究。 质性研究靠转录后的访谈和焦点小组运转。研究者会逐行给转录稿编码提取主题，所以风格的选择——犹豫是否被保留下来——会塑形研究结论。
• 媒体。 记者转录访谈，为的是准确引用，并在日后为这句引用辩护。播客作者发布转录稿，因为那是让口语内容变得可检索的唯一途径——转录稿也就这样悄悄成了一项 SEO 资产。
• 商业。 最大也最杂乱的一类：销售通话、董事会、全员会、合规录音。没人会从头读到尾；它们存在是为了被检索、被引用、被挖掘出决定。这也是为什么比如 Laxis 的转录稿会把摘要和后续步骤同步进 HubSpot 或 Salesforce——好让通话记录落在交易所在的地方，而不是躺在没人打开的文档里。

然后是其他所有人：语音备忘、讲座、家族口述史、你宁愿读而不想看的 YouTube 视频。转录稿在这里与听写擦肩而过，不过两者是不同的行为——听写是有意识地用说话来写字，如果你要的是那个，我们那份最好的 AI 听写应用盘点是更好的起点。

给每一场会议一份干净、带标签的转录稿

Laxis 为 Zoom、Google Meet 和 Microsoft Teams 录音、转录并生成摘要，支持 100 多种语言——说话人标签、时间戳和行动项都包含在内。免费方案每月含 300 分钟转录时长。

免费试用 Laxis

结语

转录稿的老化方向，和你产出的其他一切都相反。摘要在你写下它的那一周有用，一年后一文不值，因为它保留的是那个周二对写它的人重要的东西。转录稿在你做出来的那一周几乎没用——没人会去读一场自己参加过的会议的 9,000 字——却在此后每个月都更值钱，因为它留下了当时没人知道会重要的东西。这正是那些无聊的排版细节值得认真对待的原因。这一切都不是为你自己做的。它是为十八个月后必须从里面找到某一句话的那个人做的。

常见问题

什么是转录稿？

转录稿是一份文本文档，按说话的先后顺序记录一段音频或视频里说了什么。它标明每一位说话人，通常还带时间戳，因此任何一行都能追溯回源文件中的某个时刻。

转录稿长什么样？

转录稿开头是一小段信息块，给出标题、日期、时长和参与者，然后是一连串说话人轮次。每一轮以时间戳和大写的说话人标签开始。任何不清楚的地方写在方括号里，比如 [听不清] 或 [多人同时说话]。

转录稿主要有哪几种？

常见的有四种风格。完整逐字保留每一个声音，包括结巴和填充词。净化逐字保留原话，但剔除填充词和口头禅。智能逐字还会整理语法、删除重复。编辑稿则是为发表而重写的。各家供应商的标签并不一致，所以要确认你手上这份到底指什么。

转录稿和字幕有什么区别？

转录稿是一份可以单独阅读的独立文档，不需要视频。字幕是切成分段计时的碎块、叠在视频上显示的简短对白行，通常是为听得见声音但不懂那门语言的观众翻译的。

转录稿和会议纪要是一回事吗？

不是。转录稿按顺序逐字记录所说的一切。会议纪要是关于“决定了什么”的简短结构化摘要：出席者、决定、责任人和截止日期。一小时的会议可以产出一份 9,000 字的转录稿和一页纸的会议纪要，两者都没错。

转录稿应该用什么文件格式？

有人要阅读、批注或归档时，用 .docx 或 .pdf。要交给软件处理时，用 .txt 或 .json。只有当文本必须作为字幕与视频同步时，才用 .srt 或 .vtt。留一份纯文本母版，其余的按需导出。

transcript 也指学校开的成绩单吗？

是的。在教育领域，学业成绩单是学生所修课程与所得成绩的官方记录，由学校或大学的教务处签发。它和音频意义上的那个词只共享同一个英文单词，别的毫无关系。需要的话请向教务处申请。