怎么用 AI 把录音转成文字

用 AI 转写，其实就三步：准备一份模型能听清的文件，先跑一遍，再校对人名。这是 maitranscribe2.com 使用的流程，也是一份独立指南，不是产品官方文档。

只要会议或访谈的带说话人草稿，直接去首页上传。会议、播客、字幕这类场景说明，看语音转文字页。

上传前准备什么

导出一份真实文件。屏幕录制、微信语音都可用；把三个房间混在一起的 90 分钟原片，先切开再试。

本站能吃的格式

MP3、WAV、M4A、FLAC、AAC、OGG，以及 MP4 / MOV / WebM 视频（只取音轨）。注册登录后，每个账号每天一次成功的免费任务，最长 5 分钟、10 MB。Plus 最长 30 分钟，Pro 最长 60 分钟。

怎样算“够干净”

不用录音棚。但要满足：

• 人声比垫乐大声
• 大部分时间是一种语言（中途换语言可以；一句话里三种语言就看运气）
• 你真的会去校对的长度。12 分钟双人访谈，比三小时董事会更适合当第一次测试

剪辑软件能去掉片头空白就去掉。不要把底噪拉成嘶嘶声，模型会把它当成词。

先跑第一遍

打开首页工具。免费试用保持 Verbatim。Verbatim 会留下“那个”“嗯”，正好用来判断模型有没有听见。付费可以改 Smart，让读起来顺一些，还可以挂最多 100 个术语（人名、药名、产品名）。

怎样算能用的第一遍

我们内部跑过一段 12 分钟访谈（两人、咖啡馆、英语夹几个中文名）：

• 多数轮次有说话人标签
• 时间戳够用来在播放器里跳转
• 两个专有名词错了；咖啡机笑声变成一个不存在的词

这种可以改。凭空多出一个说话人、或整段回答消失，就先不要买更多分钟。先导出更响的文件。

清洗再发表

复制文本。对照嘉宾名单改名字，不要靠记忆。做字幕就留时间戳，付费档可导出 SRT / VTT。做纪要就删口头禅、加小标题。

本站常见失败

• 文件被拒：扩展名不对，或超过套餐时长/大小。改导出 M4A 或 MP3，或把录音切开。
• 空白转写：模型没返回文本。付费失败不扣额度。改用 WAV，或从中间说话最清楚的一段截取 2 分钟再试。
• 所有人合成一个说话人：单麦、房间很吵时常见。当文档还能用，不要拿它当“谁答应了什么”的证据。
• 语言串了：多半是片头垫乐或电视声。把片头剪掉。

什么时候不该用这套

音频不能离开这台电脑，就改跑本地模型。成本和运维写在自己跑 Whisper 要花什么。和 Whisper 的准确率对照在 MAI Transcribe 2 vs Whisper，不在这篇。

本文测试条件

• 站点：maitranscribe2.com，浏览器上传，2026 年 9 月
• 免费：注册登录后，每个账号每天一个文件，仅 Verbatim，无术语表
• 付费：1 个额度约等于 1 分钟，可用说话人标签和 SRT
• 不宣称医疗或法律准确。引用前自己读一遍

更多背景和联系方式见关于本站。