什么是转录？它如何运作，又要花多少钱

随便找一段三个人抢着说话的录音，试着一字不差地把内容写下来。十分钟的音频会耗掉你将近一个小时，而且到最后你多半还在跟自己较劲：第二个人说的到底是"不能"还是"能"。听见语音，和把语音钉在纸面上——这中间的落差，就是转录这门手艺的全部。

先做一次消歧，因为这个词身兼两职。在生物学里，转录指的是细胞把一段 DNA 复制成 RNA 的步骤——那是另一个话题，不是这个页面要讲的。下面所有内容说的都是另一层含义：把录下来的人类语音转换成书面文字。

转录是一件事，不是一份文件

转录是这样一份工作：听语音，然后用同一种语言把它写成文字——一个输入，一种方法（人、模型，或者两者兼有），一个输出。混淆之所以产生，是因为语言里往往用同一个词根既指这份活儿、又指这份活儿的产物。最终成型的那份文件叫转录稿，它的排版、样式，以及它和字幕的差别，是另一个话题——我们在专门的指南里讲过一份成型的转录稿长什么样。这个页面讲的是"做"这件事。

有两个近邻值得先排除掉。翻译改变语言、保留媒介；转录改变媒介、保留语言。给外语电影配字幕两件事都要做，而且顺序不能反。而口述是有意识地用说话来写字——你是作者，是对着设备说。转录面对的则是从一开始就没打算变成文件的语音：会议上的一次争执、证人回答提问、三个人挤在一条信号糟糕的电话会议线上。如果你真正想要的其实是口述，那么最好用的 AI 语音输入应用这份清单会更有用。

正是这种意图上的差异，让转录难在口述不会难的地方。没有人会为了留下记录而字正腔圆地讲话。人们互相打断、说到一半就断掉、挑错了词又在三个词之后改回来，还会冒出模型从没见过的专有名词。

两种做法，以及悄悄胜出的第三种

人工转录就是一个人戴着耳机、开着文本编辑器，通常脚下还踩着一个踏板，好让倒带时双手不必离开键盘。放几秒、打字、退回去、核对。难懂的段落放慢速度，把药名查清楚，听不清的地方打上标记，最后再对着音频通读校对一遍。这是不体面却很讲功夫的工作，价格反映的是实打实的劳动而不是加价——一小时音频，绝对不等于一小时工作量。

自动转录把同样的活儿交给自动语音识别（ASR）系统。上传文件，或者直接推麦克风的音频流，几秒钟文字就回来了。它不会累，不会因为口音难懂就加价，成本要低一个数量级。它同样也完全不知道自己什么时候错了——这正是下文一切讨论的关键。

混合模式——机器先跑一遍，人再修正——才是 2026 年大多数专业服务实际在做的事，包括那些把自己宣传成纯人工转录的。经济账很直白：模型处理机械的 95%，人把时间花在需要判断力的那 5% 上。业内把这叫作后编辑；我们那篇如何把音频转录成文字的指南完整走了一遍这套流程。

ASR 系统内部究竟发生了什么

你不需要懂里面的数学，但对这条流水线有个粗略的概念，几乎能解释你会遇到的每一种奇怪错误。

1. 采集并清理信号

音频会被重采样、转成单声道，通常还要过一遍噪声抑制和语音活动检测，找出真正有人说话的位置。这一步进去的是垃圾，后面就无法挽回——一个从来没有干净地进入文件的声音，任何模型都解码不出来。

2. 把声音变成一张图

原始波形对神经网络来说是个糟糕的输入。系统会把音频切成互相重叠的 20–30 毫秒帧，计算每个频段上的能量，得到一张声谱图——频率随时间变化的热力图。到这一步，语音识别更接近图像识别，而不是任何跟语言学有关的东西。

3. 把它解码成词

声谱图被送进一个大型神经网络，如今几乎清一色基于 Transformer，训练数据是海量的音频与文本配对。更早的系统是一串模块接力：声学模型猜音素，发音词典把音素映射成词，语言模型给可能的词序列打分。端到端系统把这些全都收进一个模型，直接输出文本 token——这既是它泛化能力更强的原因，也是它偶尔会流畅地"幻觉"出一句没人说过的话的原因。

4. 把它变得可读

原始输出是一串没有标点、全小写的文字。后处理会补回大小写和标点，把"一四九二"变成"1492"（逆文本规范化），按需要删掉口头语和结巴，并套用你的自定义词表——这是所有转录工具里最被低估的一个设置。

5. 判断是谁在说话

说话人标注——也就是说话人分离（diarization）——是一套独立的系统，并不属于词的解码。它把短片段转成声纹向量，做聚类，再给每个簇分配一个身份。这就是为什么经常出现文字对了、标签错了的情况：两个相近的嗓音落进了同一个簇，或者某人靠近麦克风之后标签就翻了。

提示：给说话人分离一点胜算。 如果你的会议平台能把每位参会者录成独立音轨，就打开它——分轨录音直接把聚类这个问题整个消掉了。做不到的话，就让每个人在通话开头报一次名字。八秒钟，之后标签会好改太多。

准确率的真实数字，以及悄悄毁掉它们的因素

行业用词错误率（WER）来衡量准确率：替换、删除、插入三类错误之和，除以参考文本中的词数。5% 的词错误率意味着 95% 的词准确率——每二十个词里就有一个是错的、漏的，或者是凭空多出来的。

老老实实说说现状：在干净、录制良好的音频上，最好的系统落在 95–98% 的词准确率区间，Whisper 的基准测试成绩在 97.9% 上下。在标准朗读语音测试集上，前沿云端引擎能做到 2–5% 的词错误率，低于 2% 的结果在受控条件下已经接近人类水平。开放模型这一条赛道挤压得很厉害：2026 年三月，Cohere 的 Transcribe 以 5.42% 的平均词错误率登顶 Hugging Face Open ASR Leaderboard；五周之后，IBM 的 Granite Speech 4.1 2B 又以 5.33% 略微反超。

那些都是实验室条件。下面这些因素会把数字往下拽，大致按破坏力排序：

• 重叠说话。 遥遥领先的头号杀手。两个人同时开口时，大多数系统要么揉出一段面目全非的混合体，要么悄无声息地丢掉其中一个。会议里到处都是重叠说话，基准测试集里却没有。
• 距离与房间声学。 会议桌另一头的笔记本麦克风，收进来的是混响和空调的嗡嗡声。混响会把声谱图抹花，模型解码的就是那团花。
• 口音与方言。 准确率因人而异，差距的大小取决于训练数据里出现过多少这种口音。这是整个行业的问题，而不是某一家厂商的问题——市面上每一款工具，包括我们自己的，在口音很重和串音严重的语音上都会掉链子。
• 专业词汇与专有名词。 药品名、股票代码、法律引注、你们 CEO 的姓氏。模型没见过的词就输不出来，只能拿它认识的最接近的东西顶上。
• 语码转换与电话音频。 说话人在一句话中间切换语言，会击穿那些一开始就锁定单一语言的系统；而窄带电话线路扔掉了区分相似辅音所需的高频——在 8 kHz 下，"S"和"F"很难分清。

关于这个指标还有一点要提醒：词错误率把所有错误一视同仁。漏掉一个"的"和漏掉一个"不"，扣的分一模一样，这正是研究者不断推动语义层面错误度量的原因。一份 96% 准确、却把报价那段的数字弄错了的转录稿，比一份 92% 准确、数字全对的更糟。

提示：麦克风比软件更重要。 从笔记本内置麦克风换成一支 $60 的 USB 麦克风或者一副像样的耳麦，对准确率的提升超过你换任何一家厂商。近距离拾音去掉了房间混响，抬高了信噪比，也保住了辅音——这一切都发生在模型开始工作之前。

价格与交付时间：把权衡换算成真实数字

用数字说话，不用形容词。专业的人工转录大约在每音频分钟 $1.00 到 $3.00——也就是每小时录音 $60 到 $180 左右——法律领域的专业稿件会爬到接近每分钟 $5.00。难搞的音频不是免费的：背景噪声、多人说话或者浓重口音，通常要再加 25–50% 的附加费。标准交付时间是 12 小时到三个工作日。

自动化服务按量计费，报价通常在每分钟 $0.10 到 $0.50 之间，交付基本上是即时的。订阅制产品则改为打包分钟数，量一大，账就完全不是那么算了。以 Laxis 为例，每月免费包含 300 分钟转录时长，之后是按席位的固定价格：Premium $15.99，Business $29.99——如果每月有 20 小时通话，按席位算出来的结果和按分钟算差得很远。

什么时候仍然需要人来把关

真正诚实的检验标准不是"这个 AI 有多强"，而是"如果有一个词错了，会发生什么"。如果答案是"没什么大不了，我自己会发现"，那自动化完胜。如果牵涉到法官、监管机构、患者，或者一段要公开发表的引语，就派个人上。

具体来说：法庭程序，转录稿本身就是证据，而且往往需要认证；受监管的医疗文档，一个错误会进入永久档案；任何署了消息源姓名、准备付印的内容；以及确实很糟糕的音频，因为人会告诉你某一段听不清，而模型会自信满满地生成一段胡话。

上面这些场景里，大多数的聪明做法并不是全程人工转录，而是混合模式：先跑机器这一遍，再花钱请人对着音频核验。

在这一切当中，转录作为一份职业

仍然有人靠这个谋生，而这份工作本身的变化，比从业人数的变化大得多。经典路径是先做面向媒体和商业的通用转录，法律和医疗则是需要额外培训与认证的专业方向。2026 年美国的时薪大致在每小时 $20 到 $29，具体取决于数据来源和专业方向——Indeed 给出的平均值接近 $26.49，PayScale 报告的转录员薪酬约为 $21.75，Glassdoor 上法律转录员则接近 $29。

变化的是时间花在哪儿。如今这份工作里，从空白页开始打字的部分已经很少了；大部分时间是在修正机器初稿，这听上去像降级，但大体上不是。价值集中到了模型最不擅长的那些环节：专有名词、说话人归属、领域词汇、格式规范，以及那份让文件具备法律效力的准确性认证声明。只会打字快的人，要跟打字更快的软件竞争。

如何选择方案

五个问题：

1. 出错的代价有多大？ 法律、医疗或对外发表——人工或混合。内部会议和研究访谈——自动化。
2. 音频质量到底怎么样，说实话？ 一个人戴着耳麦，和六个人围着一台笔记本，是两个完全不同的问题。悲观一点估计；它对结果的预测力胜过任何其他因素。
3. 量有多大？ 一年只有几个文件，适合按分钟付费；一周十小时会议，适合打包分钟数，而且盈亏平衡点来得比大家以为的早。
4. 你什么时候要？ 如果答案是"在跟进邮件发出去之前"，那么两天的交付周期就出局了，不管它多准。
5. 音频可以送到哪里？ 云端处理能力更强，但这意味着你的录音离开了本地设备。值得用的工具大多是云端的，Laxis 也是，所以请读一读留存策略，确认厂商会不会拿你的数据去训练。

对于经常发生的商务会议，这笔账通常会算到：自动采集，配一支好麦克风，再加上一个能对输出做点什么的工具，而不是甩给你一堵文字墙——摘要、待办事项、CRM 同步。这正是我们那篇2026 年最好的 AI 会议记录工具对比所覆盖的品类，它和挑一家转录服务是两个不同的决定。

把每一通通话都变成真正用得上的文字

Laxis 可以录制、转录并总结 Zoom、Google Meet 和 Microsoft Teams 会议，支持 100 多种语言，自动提取待办事项，并同步到 HubSpot 和 Salesforce。免费方案每月包含 300 分钟转录时长。

免费试用 Laxis

结论

真正有意思的变化，并不是机器把这件事做好了，而是廉价的转录改变了"到底要录什么"这个决定本身。当一小时音频要花 $120 才能转成文字时，你只会转录取证笔录和董事会会议，别的一概不转。当价格降到每分钟几美分，约束就从成本转移到了注意力。现在什么都被转录了，于是难题不再是把文字生产出来，而是判断其中哪一小部分真的会有人读。在九千句话里知道哪十二句要紧——工作量都跑到那里去了。

常见问题

什么是转录？

转录是把录下来的语音转换成书面文字的过程。可以由受过训练的人一边听一边打字完成，也可以由自动语音识别模型把音频信号解码成词。2026 年大多数专业工作是两者结合：机器出初稿，人来修正。

自动转录是怎么工作的？

自动转录把音频波形转换成声谱图，送进一个用海量语音—文本配对数据训练出来的神经网络，再解码出最可能的词序列。之后由独立的环节补回标点和大小写、格式化数字与日期，并尝试标注每一段是谁在说。

AI 转录的准确率有多高？

在干净的单人音频上，领先的系统能达到大约 95% 到 98% 的词准确率，OpenAI 的 Whisper 在基准测试中约为 97.9%。真实条件要严苛得多。浓重的口音、重叠说话、离麦克风太远、背景噪声以及专业词汇，都会把准确率往下压，有时候压得很厉害。

转录要花多少钱？

专业的人工转录一般在每音频分钟 $1.00 到 $3.00 左右，也就是每音频小时大约 $60 到 $180，法律领域的专业稿件可达每分钟 $5.00 上下。自动化服务通常报价在每分钟 $0.10 到 $0.50，而订阅制工具往往改为每月打包一定的分钟额度，而不是按量计费。

转录和翻译是一回事吗？

不是。转录保留语言、改变媒介，把说出来的话变成写下来的字。翻译保留媒介、改变语言。视频配字幕常常需要按顺序走完这两步：先把原始音频转录出来，再把得到的文字翻译成目标语言。

转录需要多长时间？

自动转录基本上是即时的，实时返回文字，或者在上传后几分钟内完成。人工服务标准交付通常报 12 小时到 3 个工作日，当天加急则要另付溢价。人修改机器初稿的混合流程，一般落在两者之间。

转录员现在还算一份真正的职业吗？

算，只是工作重心已经从从头打字转向审校和修正机器初稿。2026 年美国转录员的收入大致在每小时 $20 到 $29 之间，取决于专业方向，法律和医疗处在顶端。如今认证和领域词汇的重要性，已经超过了单纯的打字速度。