上个月我接了个活儿：把一期将近两小时的访谈视频整理成文字稿，还要顺手出一版字幕。要是搁以前，我肯定一边看一边手动敲，敲到眼冒金星。后来想想，我平时折腾音频降噪、人声分离那套经验，不就是跟「声音里的信息」打交道的吗？转文字这事儿，本质也是从信号里把内容捞出来。于是我把市面上这类工具挨个试了一遍，最后落在云音雀的「视频转文字」上。这篇文章不是广告，是我这半年折腾下来的一些真实感受和踩过的坑。

这事儿远没有「点一下等结果」那么简单

很多人以为「视频转文字」就是把声音变成字，一键完事。真上手才知道，它和我做音频降噪、人声分离是同一类问题——都是在跟信号较劲，只是目标不同。

语音识别（ASR，Automatic Speech Recognition）这条链路，粗略说是这样走的：

音频进来 → 端点检测（VAD，先把有声音和没声音的段切开）→ 声学模型把声音帧映射成音素/字 → 语言模型按上下文把音素拼成通顺句子 → 标点恢复 → 时间戳对齐（forced alignment）

每一步都在丢东西。VAD 切错了，一句话开头半个字就被削掉；语言模型为了通顺，会把你说错的同音字「纠正」成另一个词；时间戳对齐要是粗暴地按整句给，你后期想精修字幕就抓瞎。

所以别指望它一次出完美稿。我现在的预期是：它能把 80% 的机械劳动替我干了，剩下 20% 我得自己听、自己改。这个预期摆正了，用着就舒服。

什么样的源素材，识别出来才像样

我搞音频的对源素材一向挑剔，转文字也一样。下面几个是我自己验证过的点：

• 采样率：ASR 模型大多吃 16kHz 单声道就够，但你的源如果是 48kHz 采访录音，下采样本身不丢信息，关键是别用乱七八糟的压缩。

• 编码格式：能给 WAV 就别给 MP3。MP3 的量化噪声对「听感」影响不像对 ASR 那么大，但累积起来会让边界音素变模糊。我做过对比，同一段录音 WAV 比 128kbps MP3 的错字少一截。

• 信噪比（SNR）：这是我最想强调的。我做降噪时关心的 SNR，转文字时一样要命。空调底噪、马路声、回声，都会让声学模型把「噪声的特征」学进预测里。所以脏素材先降噪再转，比直接转准得多——和我做播客后期的逻辑一模一样。

• 专业术语 / 人名：通用模型不认识你的行业黑话。这时候「热词」功能就关键了，提前把嘉宾名字、专有名词喂进去，识别率肉眼可见地涨。

不同导出格式差别不小，别只导一个 TXT 就完事：

格式	是什么	我拿它干嘛	注意点
SRT	最通用的字幕文件，带起止时间和文本	丢进剪映 / PR 做硬字幕	时间码精度够用，手改时间容易崩
VTT	网页字幕标准，结构类似 SRT	视频网站 / B 站投稿挂字幕	时间戳格式是 .000 而非 ,000
ASS	高级字幕，支持样式 / 位置 / 特效	需要花字、走位字幕时	文本量大会臃肿，普通稿用不上
TXT	纯文本稿	自己读、做笔记、二次处理	丢了时间信息，想回查得另存
JSON	带时间戳和置信度的结构化数据	写脚本批量处理、做检索	字段多，得自己解析

我用的流程，以及云音雀卡在哪几个点上

我现在的标准动作是：拿到视频先不动它，看是不是已经带干净音轨；如果是现场录的脏素材，先用降噪把底噪压一压；再丢给视频转文字工具。

云音雀的「视频转文字」走三步：选视频 → 设参数 → 进转换记录等结果。它把「设参数」单独拎出来这点是合理的，因为真正影响成品的不是工具多花哨，而是这几个旋钮：

1. 识别语言：中文 / 英文 / 方言，选错整篇都歪。
2. 时间戳粒度：按句还是按词。我要做字幕就选细粒度，后期对轴省事。
3. 文本导出格式：纯文本、SRT、VTT、带时间轴的 JSON 等。SRT 给剪辑软件吃，TXT 给我自己读，JSON 留着二次处理。

它对常见视频格式都吃，上传后后台跑，不用盯着。会议录像、课程视频、访谈这三类我实测最稳——因为说话人离麦克风近、信噪比高。

源素材的几个参数对识别效果的影响，我整理成一张表，方便对照着调：

影响因素	我的做法	对识别的实际影响
采样率	源高就保留，转 16k 单声道喂模型	过高无意义，过低丢高频辅音，错字变多
编码格式	能给 WAV 就不给 MP3	MP3 量化噪声累积，模糊边界音素
信噪比 (SNR)	脏素材先降噪再转	噪声被声学模型学进预测，错字飙升
专业术语	提前加热词	通用模型不认识黑话，热词能救一命
语速 / 插话	接受偶尔漂移，手动修	强制对齐在静音段估算偏，时间戳会飘

而工具本身那几个设置项，决定的是你后期费不费手：

参数	怎么选	我踩过的坑
识别语言	按素材真实语种选，含方言就选对应项	选错语种整篇歪，不是改几个字的事
时间戳粒度	做字幕选细（句 / 词级），纯稿选粗	只给整句时间，对轴时能累死
导出格式	字幕用 SRT/VTT，稿子用 TXT，二次处理用 JSON	只导 TXT 丢了时间，回查得重跑
输入格式	常见视频格式都支持，优先清晰音轨	源本身带噪，转出来照样糊

几个体验过才懂的细节

• 标点恢复不是玄学，但别全信。模型给的逗号句号常常按语气而非语法，我一般导出后自己顺一遍。

• 多人对话时，它目前大多不给「说话人分离」（speaker diarization）。要区分谁说的，得靠你听。这点别指望工具替你做，它只管「说了什么」，不管「谁说的」。
• 外语 / 方言别硬上通用模型。云音雀支持选语言，选对语种比事后改稿省十倍力气。

说句实在话

视频转文字这类工具，早几年还经常翻车，现在端到端模型（像 Whisper 那一套思路）普及之后，日常素材的可用度已经很高了。但它终究是个「帮你干机械活」的帮手，不是神仙。你给它干净、近讲、术语对齐好的素材，它还你一篇能用的初稿；你丢一段远处录的嘈杂录音进去，它也只能尽力。

我把云音雀定位成我音频工作流里「收尾整理」的一环：前面降噪、分离把好声音关，最后转文字把好内容关。工具链顺了，两小时的访谈，真正花在我手上的时间也就二三十分钟。这就够了。