语音转写是什么？人工与 AI 转写的原理、准确率和价格

随便找一段三个人抢着说话的录音，试着一字不差地写下来。10 分钟的音频要花掉你将近一个小时，最后你多半还在纠结：第二个人说的到底是“能”还是“不能”。从听见到落在纸面上，中间这道坎，就是转写这门手艺的全部。

先排除一个意思：英文 transcription（中文也常译作“转录”）在生物学里指细胞把一段 DNA 复制成 RNA 的过程，那是另一个话题，本文不涉及。下面讲的都是另一层意思：把录下来的人声转成书面文字，也就是语音转写。

语音转写是什么：一项工作，不是一份文件

语音转写是指听一段语音，再用同一种语言把它写成文字的工作：一个输入，一种方法（人、模型或两者配合），一个输出。容易混淆的地方在于，这项工作和它的产物共用一个词根，英文是 transcription 和 transcript，中文是转写和转写稿。做出来的文档叫逐字稿（也叫转写稿），它的排版、风格以及和字幕的区别是另一个话题，我们在另一篇里专门讲了逐字稿长什么样。本文讲的是“做”这件事。

还有两个相近的概念要先分清。翻译换的是语言，媒介不变；转写换的是媒介，语言不变。给外国电影做字幕，两件事都要做，而且先转写、后翻译。语音输入则是有意识地用说话来写字：你是作者，是对着设备说话。转写处理的却是从没打算变成文档的语音：会上的一场争论、证人回答提问、三个人挤在一条信号很差的电话会议线上。如果你真正需要的是语音输入，看这份 AI 语音输入法推荐更合适。

正因为意图不同，转写难在语音输入不会遇到的地方。没人会为了留记录而字正腔圆。大家互相打断、话说一半没了下文、用错词后过三个词再改口，还会冒出模型从没见过的专有名词。

人工转写、AI 转写，还有悄悄胜出的第三种

人工转写就是一个人戴着耳机、开着文本编辑器，通常脚下还有一个踏板，倒带时手不用离开键盘。放几秒，打字，倒回去，核对。难听清的段落放慢速度，药名要查准，实在听不清的地方做标记，最后再对着音频校对一遍。这是一份不起眼却很见功夫的工作，价格反映的是实打实的人工，而不是加价：一小时音频，绝对不止一小时的工作量。

自动转写把同样的活交给自动语音识别（ASR）系统。上传文件，或者直接接入麦克风的实时音频，几秒钟文字就回来了。它不会累，不会因为口音难懂而加价，成本还低一个数量级。但它也完全不知道自己什么时候错了，下文讨论的问题，关键都在这里。

混合模式是机器先转一遍，人再修改。2026 年大多数专业转写服务实际都这么做，包括那些宣传自己是纯人工的。这笔账很好算：模型包揽机械性的 95%，人把时间花在需要判断的 5% 上。业内把这叫作“后编辑”（post-editing）；具体流程可以看我们的录音转文字教程。

ASR 语音识别原理：系统内部发生了什么

你不需要懂其中的数学，但对这条流水线有个大致了解，就能解释你会遇到的几乎所有奇怪错误。

1. 采集并清理音频信号

音频先被重采样、转成单声道，通常还要做降噪和语音活动检测，找出真正有人说话的部分。这一步进来的是垃圾，后面就无从补救：一个声音没有干净地录进文件，任何模型都解码不出来。

2. 把声音变成一张图

原始波形不适合直接喂给神经网络。系统会把音频切成相互重叠的 20–30 毫秒小帧，计算每个频段的能量，生成一张声谱图，也就是频率随时间变化的热力图。到这一步，语音识别更像图像识别，和语言学反倒没什么关系。

3. 解码成文字

声谱图被送进一个大型神经网络，如今几乎都基于 Transformer 架构，用海量的音频和文本配对数据训练。老一代系统是几个模块接力：声学模型猜音素，发音词典把音素对应成词，语言模型给可能的词序列打分。端到端系统把这些全部合进一个模型，直接输出文本 token。所以它的泛化能力更强，也所以它偶尔会“幻觉”出一句很通顺、却没人说过的话。

4. 整理成可读的文字

原始输出是一串没有标点、英文全是小写的文字。后处理会补回大小写和标点，把“一四九二”这样的读法转成“1492”（逆文本标准化），按需删掉口头禅和结巴，再套用你的自定义词表。自定义词表是所有转写工具里最被低估的设置。

5. 区分谁在说话

标注说话人，也就是说话人分离（diarization），是一套独立的系统，不属于文字解码。它把短音频片段转成声纹向量，做聚类，再给每一簇分配一个身份。所以经常出现字都对、人却标错的情况：两个相近的嗓音被归进同一簇，或者有人凑近麦克风后，标签就换了。

提示：帮说话人分离一把。 如果你的会议平台能把每位参会者录成单独的音轨，就打开这个选项：每人一条音轨，聚类问题就彻底不存在了。做不到的话，让每个人在通话开头报一次自己的名字。只花 8 秒钟，之后改标签会容易得多。

转写准确率有多高？哪些因素会拉低它

行业用词错误率（WER）衡量准确率：替换、删除、插入三类错误之和，除以参考文本的总词数。5% 的词错误率就是 95% 的词准确率，每 20 个词里有 1 个是错的、漏的或凭空多出来的。

实际水平是这样的：在干净、录音质量好的音频上，最好的系统词准确率在 95–98% 之间，Whisper 的基准测试成绩约为 97.9%。在标准的朗读语音测试集上，前沿云端引擎的词错误率是 2–5%，低于 2% 的成绩在受控条件下已接近人类水平。开源模型之间的差距被压得很小：2026 年 3 月，Cohere 的 Transcribe 以 5.42% 的平均词错误率登上 Hugging Face Open ASR Leaderboard 榜首；5 周后，IBM 的 Granite Speech 4.1 2B 以 5.33% 略胜一筹。

但这些都是实验室条件。下面这些因素会拉低准确率，大致按破坏力从大到小排列：

• 多人同时说话。 遥遥领先的头号问题。两个人同时开口时，多数系统要么输出一段混在一起、面目全非的文字，要么悄悄丢掉其中一个人。会议里这种情况比比皆是，基准测试集里却没有。
• 距离和房间声学。 隔着会议桌的笔记本麦克风，收进来的是混响和空调的嗡嗡声。混响会把声谱图糊成一片，模型解码的就是这片模糊。
• 口音和方言。 准确率因人而异，差距大小取决于训练数据里这种口音出现得多不多。这是全行业的问题，不是某一家的问题：市面上每一款工具，包括我们自己的，遇到浓重口音和严重串话都会掉准确率。
• 专业词汇和专有名词。 药名、股票代码、法条引用、你们 CEO 的姓氏。模型没见过的词就输出不了，只能拿它认识的最接近的词顶上。
• 中英夹杂等语言切换，以及电话音频。 说话人在一句话中间换语言，会让一开始就锁定单一语言的系统失灵；窄带电话线路会丢掉区分相近辅音所需的高频，在 8 kHz 下，“S”和“F”很难分清。

关于这个指标还要提醒一点：词错误率把所有错误一视同仁。漏掉一个“的”和漏掉一个“不”，扣分完全一样，所以研究者一直在推动语义层面的错误度量。一份准确率 96%、却把报价环节的数字写错的转写稿，不如一份准确率 92%、数字全对的。

提示：麦克风比软件更重要。 把笔记本内置麦克风换成一支 $60 的 USB 麦克风或一副像样的耳麦，对准确率的提升比换一家服务商还大。近距离收音能去掉房间混响、提高信噪比、保住辅音，这些都发生在模型开始工作之前。

转写价格和交付时间：用数字说话

不用形容词，直接看数字。专业人工转写大约每音频分钟 $1.00 到 $3.00，也就是每小时录音 $60 到 $180；法律类专业转写接近每分钟 $5.00。难处理的音频要加钱：有背景噪音、多人说话或口音很重，通常加收 25–50%。标准交付时间是 12 小时到 3 个工作日。

自动转写服务按量计费，标价一般在每分钟 $0.10 到 $0.50，几乎即时交付。订阅制产品则按套餐打包分钟数，用量一大，账就完全不一样了。以 Laxis 为例，免费版每月含 300 分钟转写时长，付费版按席位固定收费：高级版每席位每月 $15.99，商业版每席位每月 $29.99。如果每月有 20 小时通话，按席位和按分钟算出来的结果差别很大。

什么时候还需要人工转写

真正该问的不是“AI 有多厉害”，而是“错一个词会怎样”。如果答案是“没什么大不了，我自己能发现”，直接用自动转写。如果牵涉到法官、监管机构、患者，或者要公开发表的引语，就得让人来把关。

具体来说：庭审程序，逐字稿本身就是证据，往往还需要认证；受监管的医疗文档，一个错误就会进入永久档案；要付印、署有消息来源姓名的内容；以及质量确实很差的音频，因为人会告诉你哪段听不清，模型却会自信地编出一段胡话。

上面这些情况，大多数也不必全程人工转写。更聪明的做法是混合模式：先让机器转一遍，再花钱请人对照音频核实。

转写员这份工作，现在变成了什么样

现在仍有人以此为生，而这份工作内容的变化比从业人数的变化大得多。传统路径是先做面向媒体和企业的通用转写，法律和医疗是需要额外培训和认证的专业方向。2026 年美国转写员的时薪约为每小时 $20 到 $29，因数据来源和专业方向而异：Indeed 给出的平均值接近 $26.49，PayScale 统计的转写员时薪约 $21.75，Glassdoor 上法律转写员接近 $29。

变的是时间花在哪里。如今很少需要对着空白页从头打字，大部分时间是在修改机器初稿。听起来像降级，其实多半不是。价值集中到了模型最不擅长的环节：专有名词、说话人归属、领域词汇、格式规范，以及让文件可以作为证据使用的准确性认证声明。只会打字快的人，要和打字更快的软件竞争。

人工转写还是 AI 转写？先问 5 个问题

回答下面 5 个问题：

1. 出错的代价有多大？ 法律、医疗或要公开发表的内容，用人工或混合模式；内部会议和研究，用自动转写。
2. 音频质量到底怎么样？说实话。 单人戴耳麦说话，和 6 个人围着一台笔记本，完全是两回事。估计得悲观一点，这比任何其他指标都更能预测结果。
3. 用量有多大？ 一年只有几个文件，按分钟付费更划算；每周 10 小时会议，打包分钟数的订阅更划算，而且回本来得比大多数人想的早。
4. 什么时候要？ 如果答案是“跟进邮件发出之前”，那两天的交付周期再准也不用考虑了。
5. 音频能传到哪里？ 云端处理能力更强，但录音会离开你的设备。值得用的工具大多在云端处理，Laxis 也是，所以要读一读数据留存政策，确认服务商会不会用你的数据训练模型。

对于固定召开的商务会议，算下来通常是这样一套组合：自动转写，配一支好麦克风，再加一个能对转写结果做点事的工具，比如生成摘要、提取待办事项、同步到 CRM，而不是只甩给你一大段文字。这正是我们 2026 年 AI 会议记录工具对比所讲的品类，和挑一家转写服务是两个不同的决定。

让每一通电话都变成真正用得上的文字

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，自动提取待办事项，并同步到 HubSpot 和 Salesforce。免费版每月含 300 分钟转写时长。

免费试用 Laxis

总结

真正有意思的变化，不是机器把转写做好了，而是转写变便宜之后，“到底录什么”这个决定也跟着变了。一小时音频要花 $120 才能转成文字时，你只会转写庭外取证和董事会会议，别的一概不转。降到每分钟几美分，限制就从成本变成了注意力。现在什么都会被转写，难的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。从 9,000 句话里找出要紧的那 12 句，工作量全跑到了这里。

常见问题

语音转写是什么？

语音转写是把录下来的语音转成书面文字的过程。可以由受过训练的人边听边打字完成，也可以由自动语音识别（ASR）模型把音频信号解码成文字。2026 年大多数专业转写是两者结合：机器出初稿，人来修改。

AI 自动转写是怎么工作的？

自动转写先把音频波形转成声谱图，送进一个用海量语音和文本配对数据训练出来的神经网络，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、规范数字和日期的写法，并尝试标出每一段是谁说的。

AI 转写准确率有多高？

在干净的单人音频上，领先系统的词准确率大约在 95% 到 98% 之间，OpenAI 的 Whisper 基准测试成绩约为 97.9%。真实环境要苛刻得多：浓重口音、多人同时说话、离麦克风太远、背景噪音和专业词汇，都会拉低准确率，有时降得很厉害。

语音转写怎么收费？

专业人工转写一般每音频分钟 $1.00 到 $3.00，也就是每音频小时约 $60 到 $180，法律类专业转写可达每分钟 $5.00 左右。自动转写服务的标价通常是每分钟 $0.10 到 $0.50，订阅制工具则往往每月打包一定的分钟额度，不按量计费。

转写和翻译是一回事吗？

不是。转写不换语言、换媒介，把说出来的话变成写下来的字；翻译不换媒介、换语言。给视频做字幕往往要按顺序做两步：先把原始音频转写成文字，再把文字翻译成目标语言。

转写需要多长时间？

自动转写几乎是即时的，实时出字，或上传后几分钟内完成。人工服务的标准交付时间通常是 12 小时到 3 个工作日，加钱可以当天加急。人工修改机器初稿的混合流程，一般介于两者之间。

转写员现在还是一份正经职业吗？

是，只是工作重心已经从从头打字，变成了审校和修改机器初稿。2026 年美国转写员的时薪一般在 $20 到 $29 之间，视专业方向而定，法律和医疗处在最高一档。如今认证和领域词汇比单纯的打字速度更重要。