将录音转换为文字（音讯转录）是许多工作流程的关键步骤——无论是整理会议记录、制作 Podcast 逐字稿、建立影片字幕，还是让音讯内容变得可搜寻。近年来 AI 转录技术的突破，使得这个过程的速度和准确率都大幅提升，同时成本也大幅降低。本文将比较人工转录与 AI 转录的差异，介绍主流工具，并说明影响转录准确率的因素。
一、人工转录 vs AI 转录
在选择转录方法之前，先理解两者的根本差异：
人工转录
- 速度：转录 1 小时的录音通常需要 3–5 小时的人工作业时间。
- 准确率：由有经验的转录员操作，准确率可达 99% 以上，对口音、专业术语和背景噪音的容忍度最高。
- 成本：每分钟约 US$1–3，1 小时录音的费用约 US$60–180。
- 适用情境：法庭记录、医疗记录、高度机密文件、口音极重或音质极差的录音。
- 隐私保障：可选择在本地进行，不需上传至任何外部服务器。
AI 转录
- 速度：1 小时的录音通常在 1–10 分钟内完成转录。
- 准确率：音质良好的英语录音准确率可达 90–95%；中文、其他语言及口音明显的录音通常在 80–92% 之间，需要人工校对。
- 成本：从免费（有限制）到每小时约 US$0.25–1，比人工便宜 90% 以上。
- 适用情境：绝大多数商业和个人使用场景，尤其是音质良好的会议和访谈录音。
- 限制：对极重口音、特殊术语、严重背景噪音的处理仍不如人工，输出需要人工校对。
结论：对于大多数商业场景，AI 转录在速度和成本上的优势远超过其准确率的差距。建议用 AI 处理初稿，再安排人工快速校对（通常只需要 AI 转录时间的 20–30%）。
二、主流 AI 转录工具详细介绍
OpenAI Whisper（开源，免费）
Whisper 是 OpenAI 在 2022 年开源的语音辨识模型，被认为是目前准确率最高的开源方案之一。
- 使用方式：可通过命令列工具在本机执行，也可以通过多种线上界面和 API 使用。
- 语言支援：支援 99 种语言，包括繁体中文和粤语。
- 准确率：英语 WER（字错率）约 2–5%，中文约 5–10%，在开源模型中名列前茅。
- 模型大小：从 39MB（Tiny）到 1.5GB（Large-v3），模型越大准确率越高，但需要更多计算资源。
- 优点：完全免费、隐私性好（可在本机离线执行）、无使用限制、持续更新改善。
- 缺点：需要一定的技术能力才能自行安装，即时转录功能有限，无图形界面（但有第三方 GUI 工具）。
- 推荐使用者：技术背景使用者、注重隐私的机构、需要批次处理大量录音的场景。
Otter.ai（云端，订阅制）
Otter.ai 是功能最丰富的整合型 AI 转录服务，专为商业和团队使用设计。
- 使用方式：浏览器界面、手机 App、Zoom/Teams/Meet 插件、API。
- 语言支援：主要支援英语，中文支援在持续改善中，准确率相对较低。
- 准确率：英语清晰录音约 85–92%，含多人对话时表现尤其稳定。
- 特色功能：说话者识别、即时转录、自动摘要、全文搜寻、协作标记。
- 价格：免费版每月 300 分钟；Pro $17/月；Business $30/月。
- 推荐使用者：需要完整会议助理功能（不只是转录）的商业使用者。
Google Speech-to-Text（API，按用量计费）
Google 的云端语音辨识 API，适合开发者和需要大量批次处理的企业。
- 语言支援：支援超过 125 种语言和方言，中文（普通话和粤语）支援度良好。
- 准确率：英语 85–92%，中文普通话约 80–88%，受口音和录音品质影响较大。
- 价格：每月前 60 分钟免费；之后每分钟约 US$0.006（标准）至 US$0.009（医疗等强化版）。
- 特色：支援即时串流转录（WebSocket）、说话者分离（Diarization）、字词时间戳记。
- 推荐使用者：需要通过 API 大量自动化处理的开发者和企业。
Apple 听写（Dictation，内建免费）
Apple 装置内建的语音输入功能，在 macOS 和 iOS 上均可使用，不需要网路连线（本地处理）。
- 使用方式：在任何文字输入栏位启动听写功能，即时转录说话内容。
- 语言支援：支援 40+ 语言，繁体中文支援良好。
- 准确率：在安静环境中英语和中文准确率约 85–90%，但不支援汇入音讯档案批次转录。
- 优点：完全免费、在本机处理（隐私性好）、零延迟、无需账号。
- 缺点：只能即时听写，无法上传录音档案进行转录，不适合整理已有的录音。
- 推荐使用者：需要即时输入文字的 Apple 装置使用者（如快速记录想法）。
三、影响转录准确率的关键因素
无论使用哪种工具，以下因素都会显着影响最终的转录准确率：
录音品质
这是最重要的因素。底噪低、清晰的人声录音，即使使用较简单的 AI 工具也能达到高准确率；而嘈杂、混响严重的录音，即使使用最先进的模型也难以达到满意效果。录音前的降噪（如前文所述）是提升准确率最有效的方式。
说话速度与清晰度
语速过快（每分钟超过 200 个字）或含糊不清的发音，都会降低准确率。在重要录音中，说话者应尽量清晰发音并保持自然的语速。
口音与方言
所有 AI 工具都在标准口音上表现最好，非标准口音（如台湾口音英语、带口音的普通话）通常会降低 5–15% 的准确率。Whisper 在口音多样性上的表现相对较好，因为其训练资料涵盖更广泛的口音类型。
专业术语与专有名词
医疗、法律、工程等领域的专业术语，以及人名、地名、产品名称，往往是错误率最高的部分。大多数工具支援“自定义词汇”功能，可预先输入常用术语提高准确率。
多说话者场景
多人同时说话（抢话）或快速轮流发言时，准确率会显着下降。录音中的说话者识别功能（Speaker Diarization）能标记“谁在说话”，但在人声重叠时仍有困难。
四、多语言支援概况
- 英语：所有工具表现最佳，Whisper Large-v3 的字错率（WER）仅约 2–4%。
- 中文普通话：Whisper 和 Google 表现相近，WER 约 5–10%，在台湾口音下略高。
- 粤语：支援程度较弱，Whisper 和 Google 有基本支援，但准确率不如普通话。
- 日语/韩语：Whisper 在日韩语的准确率相对优秀，WER 约 5–8%。
- 西班牙语/法语：主流工具表现良好，WER 约 4–8%。
五、工具选择建议
- 预算有限 + 技术背景：本地部署 Whisper Large-v3，最高准确率、零成本、最佳隐私保护。
- 快速上手 + 英语为主：Otter.ai 免费方案，兼具转录和会议助理功能。
- 企业批次处理：Google Speech-to-Text API，支援自动化工作流程和大量档案处理。
- 中文转录：目前 Whisper Large-v3 是开源选项中表现最佳的，商业方案可试用 Otter.ai 的中文支援或 Azure Speech Service。
音讯转文字技术在过去三年有了质的飞跃，即使是免费工具也能在大多数场景中提供可用的初稿。关键在于根据你的使用需求（隐私性、语言、准确率要求、预算）选择合适的工具，并建立“AI 转录 + 人工快速校对”的标准工作流程，才能在效率和品质之间取得最佳平衡。
在浏览器里直接完成，档案不会离开你的电脑：音讯工具
