一、它做的事：把声音压成可编辑的文字

语音识别（ASR，自动语音识别）是把口语转成书面文本的技术。如今的系统不只是"听音写字"，还会切分句子、判断谁在说、识别出笑声掌声这类非语言声音。落到实用层面，它能帮你做五件事：给视频配字幕、让音频内容可被搜索、给听障用户提供可读文本、把内容转成其他语言、以及把会议直接变成文字纪要。

判断一个工具够不够用，看三个硬指标就够：支持多少语言、能不能区分说话人、导出格式全不全。以 Quantum AI 的语音识别为例，它覆盖英语、普通话、粤语、日语、韩语、西班牙语、法语等 100 种语言，可手动指定也可自动识别，输出支持 SRT / VTT / TXT。

二、四步跑完一次转写

三、中英混说为什么最容易翻车

这种场景在语言学里叫 code-switching（语码转换），是转写错误的重灾区。原因是模型在切句时会先判断"这段是什么语言"，一旦判断跳变，后面的词就会被塞进错误的语言模型里，出现"高精度"被识别成"high 精度"、专有名词直接音译成乱码的情况。

两个处理办法，成本都很低：

• 能手动选语言就别用自动。主体是中文就用中文模型，英文单词会作为外来词正常保留；反过来主体是英文就选英文。
• 把专有名词提前想清楚。人名、产品名、缩写是错得最狠的地方，转完先扫一遍这些词，比通读全篇找错快得多。

四、说话人识别与声音事件：什么时候开

说话人识别（diarization）做的是把音轨切成 Speaker 1 / Speaker 2 并打上时间戳，访谈、圆桌、多人会议必须开；单人播客、课程录音开了只是多一堆标签。声音事件检测会标出 [掌声]、[笑声] 这类非语言信息，做访谈类字幕时保留能还原现场感，做正式文稿时建议去掉。

判断标准很简单：这份文字最终是给人「读」的，还是给人「对时间轴」的。前者关掉多余标签，后者全留着。

五、标点开关要在导出前定

标点控制决定字幕里是否保留逗号句号，且导出与复制时同步生效——也就是说，导出后再手改一遍等于重做。做视频字幕通常去掉标点（观众靠画面断句），做会议纪要、文章初稿必须留标点（否则回来读不通）。

六、省下来的时间与它的边界

手动转录一小时的访谈，认真做要三到四小时；机器跑一遍通常几分钟，人工只需校对。但要清楚边界：多人抢话、专业术语密集、环境噪声大的录音，仍然需要人过一遍。以及隐私——正规工具会声明文件在处理完成后的一定期限内（如 24 小时）自动删除，涉及未公开的商业内容，上传前先确认这一条。