什么是转写？人工与 AI 音频转写的区别、准确率和费用逻辑
2026-08-13
什么是转写？简单说，转写（transcription）就是把语音内容——录音、语音消息、视频里的对话——转换成可以阅读、搜索和编辑的文字。第一次需要音频转写的人，通常都会卡在同一个问题上：是自己一个字一个字听着敲，找人工转写服务，还是直接用 AI 自动转写？三条路的成本和效果差别巨大。这篇文章把转写的基本概念、人工与 AI 的真实差距、耗时、准确率的衡量方法和选择逻辑一次讲清，帮你在花钱之前做出正确判断。
转写到底是什么，都有哪些形式
转写不只是"把话变成字"这么简单，根据用途不同，产出物也不一样：
- 逐字稿（verbatim）：一字不落地记录，包括"嗯""那个"等口头禅、重复和停顿。法律取证、语言学研究会用到。
- 整理稿（clean read）：去掉口头禅和无意义重复，保留原意，可读性好。会议、访谈、播客最常用的就是这种。
- 带说话人标注的转写：标出每句话是谁说的，多人访谈和圆桌讨论必备。
- 带时间戳的转写：每段文字对应音频里的时间点，做视频字幕或需要回查原声时很有用。
拿到转写稿之后，才谈得上下一步：写会议纪要、整理访谈引语、做字幕、翻译成其他语言。转写是所有这些工作的地基。
人工转写 vs 自动转写：真实差距在哪
人工转写由专人反复听录音、手动打字。优势是能处理极端情况：严重的方言口音、多人抢话、嘈杂的现场录音、需要理解上下文才能断句的内容。代价是慢和贵——按行业通行的估算，一名熟练转写员处理一小时录音需要四到六小时工作时间，收费自然按这个人力成本走。
自动转写（也叫 AI 转写、机器转写）用语音识别模型完成同样的事。一小时录音几分钟内出稿，成本是人工的零头。在录音清晰、说话人对着麦克风的场景下——线上会议、语音消息、播客、讲座——现代 AI 的准确率已经足以直接使用，通常只需快速通读、改几个专有名词。
自己手动转写只推荐给两种人：录音只有几分钟，或者转写本身就是工作的一部分（比如记者边听边筛选素材）。超过半小时的录音，手动敲字几乎一定不划算。
转写需要多长时间
时间差距比很多人想象的更大：
- 自己听打：没有受过训练的人，一小时录音大约要花五到八小时——需要不断暂停、回放、修正。
- 人工转写服务：交付周期通常以"个工作日"计，加急要额外付费。
- AI 自动转写：一小时的录音，几分钟内返回全文；十分钟的语音消息，基本是即传即得。
如果你的场景是"下午开完会，晚上就要发纪要"或者"采访完当天出稿"，人工服务的交付周期本身就把它排除了——这时候自动转写不是省钱问题，而是唯一可行的选项。
准确率怎么衡量：认识 WER
行业衡量转写准确率的标准指标叫词错误率（WER，Word Error Rate）：把转写稿和标准答案对照，统计替换、遗漏、多插的词占总词数的比例。WER 5% 意味着每 100 个词错 5 个，对应"准确率 95%"。
看到"准确率 99%"之类的宣传时，要注意三点：
- 测试条件决定一切。安静环境、单人清晰朗读测出的准确率，和三个人在餐厅抢话的录音完全是两回事。
- 专有名词是重灾区。人名、产品名、行业术语最容易错，但这些词往往恰恰是全文最重要的信息。
- 没有任何转写是 100% 准确的——人工也不是。专业人工转写的常见目标同样是 99% 左右，剩下的靠校对。
实用的判断方法很简单：拿一段你自己的真实录音去试，读一遍结果，看改动量能否接受。这比任何宣传数字都可靠。
什么时候值得花钱找人工，什么时候 AI 就够了
AI 自动转写足够的场景（占日常需求的绝大多数）：
- 线上会议、工作汇报、语音消息、个人备忘
- 录音质量正常的访谈和播客
- 讲座、网课、培训视频
- 只需要"能看懂、能检索"而非逐字精确的一切场景
值得考虑人工的场景：
- 法律、医疗等对逐字准确性有硬性要求、错一个词有实际后果的材料
- 录音条件极差：强噪音、远距离收音、多人持续抢话
- 需要按特定行业规范排版交付的正式文书
费用比较的正确逻辑不是比单价，而是比每小时录音的总成本：人工按录音时长的人力倍数计费，AI 按分钟计费且价格低一到两个数量级。更聪明的组合是：先用 AI 出初稿，只对关键段落人工校对——这样既有速度，关键处又有保障。
用 Oratext 免费试一段自己的录音
概念讲完，最快的验证方式是拿自己的音频试一次。Oratext 支持语音、音频和视频文件的自动转写，自动识别约 99 种语言，中英混杂也能处理；转写完成后可以一键清理口头禅、生成摘要、提取任务清单或翻译全文。网页版每天有 3 分钟免费额度，无需注册；也可以把语音直接转发给 Telegram 机器人 @oratextbot，手机上就能完成整个流程。
转写这件事，判断标准始终只有一个：你的录音、你的场景、你能接受的改动量。花五分钟传一段真实录音测一下，比读十篇评测都有用。