视频转文字：生成可编辑 TXT 和字幕 SRT

视频转文字工具会识别视频音轨中的语音，并生成可编辑的文本。使用 Pipe2.ai 的 Transcription，上传视频或音频后可同时获得纯文本 TXT 和带时间码的 SRT；还可以检测语言、标记说话人，并修正反复识别错误的词。

五步生成视频文字稿

1. 选择音轨清晰的视频。 Transcription 需要可辨识的语音。静音视频无法生成文字稿。
2. 上传文件。 打开 Transcription，附上要转换的视频或音频。
3. 设置语言和说话人。 不确定语言时保留 Auto。处理访谈或多人讨论时开启说话人检测，并可填写预计人数。
4. 添加重复词语修正。 如果姓名、缩写或产品名总是以同一种错误形式出现，可把识别出的拼写映射到正确拼写。修正区分大小写，并且只匹配完整单词。
5. 运行并检查两种文件。 阅读和编辑使用 TXT；需要时间同步或制作字幕时使用 SRT。

当前流水线使用 ElevenLabs Scribe v2。公开表单接收一个已上传的视频或音频资源，可选择 Auto 或十种列出的语言，并提供可选的说话人检测、0 到 20 人的可选人数提示以及可选词语修正。输出为独立的 SRT 和 TXT 资源。

根据下一步工作选择 TXT 或 SRT

两种输出包含相同的发言内容，但组织方式不同。

输出	包含内容	适合用途
TXT	不含字幕时间块的连续易读文本	笔记、引用、搜索、摘要、草稿和编辑审核
SRT	带开始与结束时间的编号文本块	字幕、按句子边界剪辑，以及必须与视频同步的工作流

建议两者都保留。TXT 更便于快速阅读，SRT 则保留视频制作所需的时间信息。下一步若要制作可见字幕，请先检查 SRT，再参考给视频添加字幕的指南。

提高语音转文字的质量

识别质量从录音开始。让麦克风靠近说话人，降低背景音乐和房间混响，并尽量避免多人同时说话。事后把音量调大，无法恢复一开始就没有录清的词。

知道语言时应明确选择；不确定时可从 Auto 开始。需要判断谁说了什么时，说话人检测很有用，但标签仍需人工复核。声音相似、相互打断或来自不同录音源，都可能增加区分难度。

Corrections 适合处理稳定、可预测的错误，不适合重写整段内容。例如品牌名总被识别成发音相近的常用词时，完整单词修正可同时修复两种输出。它不能还原模糊句子，也不会猜测说话人的本意。

发布前审核文字稿

AI 文字稿是工作文档，并不保证每个词都准确。请一边听原始录音一边阅读，重点检查：

• 姓名、机构、专业术语和缩写
• 数字、价格、日期和计量单位
• 访谈和多人讨论中的说话人切换
• 可能被普通拼写检查错误修改的专有名词
• 带噪声、音乐、口音或重叠发言的片段
• 开始过早、结束过晚或文字过多的 SRT 块

引用某人的话之前，应与录音核对。制作字幕时，应在文字成为最终视频的一部分之前修正文句和时间。

把文字稿用于字幕或短视频

Transcription 不会把文字烧录到画面中，而是创建可复用的文件，方便在生成下一项素材前检查。

若要显示字幕，把审核后的 SRT 和原视频附到 Captions。制作短视频时，一份文字稿可贯穿全部步骤：找到合适片段、沿句子边界剪切，再给成片加字幕。把长视频变成 Shorts介绍完整顺序，按句子剪辑视频则详细说明如何找到自然切点。

分开处理很实用：只需修正一份 SRT，便可在多种字幕样式中复用；TXT 还能用于简介、笔记或文字剪辑，无需再次转写原视频。

这个工具不会完成什么

文字稿生成器负责把语音变成文本，不会自动总结录音、挑选精彩片段、翻译文字稿或生成已经带字幕的视频。这些属于独立的编辑或制作步骤。

它还需要音轨。只在画面中出现、没有被念出的文字并不是语音，因此不会进入文字稿。如果录制内容中有重要幻灯片、标签或屏幕文字，请单独检查，并在必要时加入笔记。

先用一段有代表性的录制内容测试，不要一开始就处理整个素材库。检查工具如何处理你的说话人、专业词汇和录音环境，补充重复修正，再把相同的审核清单用于其余文件。