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ASRAutomatic 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,000ASS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识别语言中文 / 英文 / 方言选错整篇都歪。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。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 MP3MP3 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。