一、先准备好音频
识别质量的上限由音频决定,转写软件救不回来。三个最低要求:
- 单人一条音轨。用录音笔单独录采访,比从机头麦里扒声音干净得多。
- 采样率 16kHz 以上。绝大多数相机和录音笔默认满足。
- 避免音乐和环境底噪。咖啡馆里的采访,识别错误率会明显上升。
视频文件(MP4、MOV)可以直接转,工具会自动提取音轨。不需要先手动导出 WAV。
二、自动识别与说话人分离
识别服务把音频切成句子,并给每句打上开始和结束时间。说话人分离再做一层聚类,把不同人的声音分到不同编号。
对采访来说,这层分离特别值钱:
- 打开「只看被访者」,提问者的「嗯」「那你当时怎么想」全部收起,屏幕上是干净的回答。
- 色带能看出谁在什么时候说话,快速定位问答交替的位置。
- 后期要做字幕或金句卡片时,说话人名字可以直接用。
注意:说话人编号只是机器聚类,不一定等于「1 号就是主角」。第一次用到时花十秒在设置里改一下人名,后面所有素材都会跟着显示。
三、时间码要能回到原片
文字稿里的每一句都要带时间码,而且要满足两点:
- 精确到句,最好到字。你想选「我从来没想过放弃」这半句,工具就该知道它从哪一帧开始。
- 和原片同一基准。有些相机的时间码从 00:00:00 开始,有些带起始偏移。选段导出时必须用它读得懂的基准,否则进了 Final Cut 全是错位。
拾句在文字稿里点到哪句,画面就跳到哪一帧;选中的半句会记下精确的入点出点,导出时间线时直接沿用。
四、校对:只改真正影响理解的错
自动识别对中文口语已经很准,但仍会有几类错:人名地名、专业术语、数字和同音词。校对的正确姿势是:
| 要改 | 不用改 |
|---|---|
| 人名、公司名、地名 | 「那个,就是」这类口头语 |
| 会把意思说反的同音词 | 重复的词、半截的话 |
| 关键数字、年份、金额 | 语气词、停顿 |
那些「不完美」的口语恰恰是剪辑的判断依据:一句话从哪断、哪里能删、哪里要保留呼吸,都靠它们。
五、成本与隐私
转写按音频时长计费。以豆包录音识别为例约 0.8 元/小时:
- 40 分钟采访 ≈ 0.53 元
- 2 小时采访 ≈ 1.6 元
- 10 小时素材 ≈ 8 元
隐私上要分清两件事:视频文件不需要上传,画面始终留在本机;录音需要送到识别服务做转写,这是转写的必要步骤。转写完成后,文字稿和索引都存在你自己的 Mac 上。
常见问题
两小时的采访转文字要多少钱?
按音频时长计费,豆包录音识别约 0.8 元/小时,两小时约 1.6 元。识别失败不重复计费。
文字稿的时间码准到哪个级别?
按句或按字记录,误差在百毫秒级,足够在剪辑软件里定位到具体某一句话。
采访素材会上传到云端吗?
录音需要送到识别服务做转写,这是转写的必要步骤;视频文件不上传,识别完成后只在本机保存文字稿。
方言口音重怎么办?
先试一小段,看识别结果可读性。可读性够用来找句子就行,不必强求逐字正确——校对时只修影响理解的错。