提取视频中的人声转为文字用什么工具？先看背景音和说话人数

提取视频里的人声转成文字，用的是语音识别，识别的是说话的声音，不是画面上的字幕。效果好坏主要取决于两点：人声在整条音频里够不够突出，以及有几个人在说话。人声被背景音乐压住，或者多人同时说话，换什么工具都会出错，所以先判断素材属于哪一类，再决定要不要先处理音频、选哪种工具。

一、语音识别为什么会认错

识别模型听到的是混在一起的声音波形。背景音乐、环境噪音和人声频率重叠时，模型会把一部分音乐当成语音，或者把弱一点的人声当成噪音丢掉。常见的结果是：音乐响的段落漏句，安静段落反而很准；两个人抢话时只剩一个人的内容。

二、按素材类型选

素材类型	难点	建议做法
单人口播、无背景音乐	基本没有	直接转写即可
单人讲话、配了背景音乐	音乐干扰	先做人声分离或降低音乐，再转写
多人会议、访谈	要分清谁说的	用能区分发言人的工具
户外采访、嘈杂环境	噪音大	先降噪，转完重点校对
涉密内容	不能上传	本地运行 Whisper

三、先处理音频：人声分离和降噪

背景音乐很响的视频，可以先在剪映里用人声分离或降噪类功能，把人声单独留下来再转写，具体功能名称和是否收费以当前版本为准。降噪不要开太猛，过度降噪会让人声发闷，识别率反而下降。

四、多人对话：飞书妙记、通义听悟

会议录屏、访谈视频，转写后要知道每句话是谁说的。飞书妙记和通义听悟都能区分发言人，还会生成摘要和要点，适合整理纪要。上传本地视频后等待转写，导出文字稿，免费额度以当前版本为准。

五、单人视频：提词匠和剪映

提词匠

单人讲解、口播、课程录像，用提词匠这个微信小程序就能处理：上传本地视频，或者粘贴抖音、快手、小红书、B 站、视频号、微博的公开视频链接，转写后导出 TXT、Word 或带时间戳的 SRT。提词匠还有视频转 MP3 功能，需要单独保存音频时可以一起用。

它不适合多人对话，因为不区分发言人；也不支持批量，一次处理一个文件；必须联网；链接提取不支持爱奇艺、腾讯视频、优酷和国外平台。背景音乐很响的视频，建议先在剪映里分离人声，再把处理后的视频交给它。

剪映

导入视频后用识别字幕功能，字幕直接铺在时间线上，边看画面边校对很方便，适合本来就要剪辑这条视频的人。剪映处理在本机完成，不需要先上传，素材多的时候也可以一条条放进同一个项目里依次识别。

六、隐私内容：Whisper 本地转写

涉及内部会议、客户访谈、个人隐私的视频，可以在电脑上本地运行 Whisper 模型，文件不上传。需要先装好运行环境和下载模型，长视频的速度和电脑配置有关。

七、转完怎么校对

1. 用 SRT 的时间戳跳到拿不准的句子，回听确认；
2. 人名、产品名、术语用查找替换统一修改；
3. 多人对话如果工具没分发言人，按语气和内容手动标注；
4. 背景音乐响的段落单独回听一遍，漏句多半出在这些地方。

八、版权提醒

提取别人视频里的讲话内容，只用于学习和参考，不要原样搬运发布。

九、怎么选

单人、背景干净，直接用提词匠或剪映；有背景音乐，先用剪映分离人声再转；多人对话用飞书妙记或通义听悟；涉密内容用 Whisper 本地处理。