指南

语音转文字是什么?它是怎么工作的?

语音转文字把说出来的话变成文字。了解语音识别的原理、转写结果包含什么、常见用途、准确率怎么衡量,以及价格。

· Paxa Labs · 阅读约 8 分钟

语音转文字(Speech to Text,简称 STT)是一种听取语音并把内容写成文字的软件。您给它一段录音或一路实时的说话声,它返回一份文字稿。同一项技术也叫转写、语音识别和自动语音识别(ASR)。

手机上的语音输入、几分钟就能做好的视频字幕、在一小时的会议里搜出某一句话,靠的都是它。文本转语音做的事正好相反,对比指南把两者放在一起讲。

语音转文字的原理是什么?#

无论用什么技术搭建,每个系统都依次完成三件事。

  1. 听取音频系统把录音切成零点几秒长的小片段,再测量每个片段里有哪些频率、各有多响,由此得到一幅声音随时间变化的图像。
  2. 把声音对应到词一个从大量语音及其文字稿中学习过的神经网络读取这幅图像,预测最可能发出这些声音的词。拿不准的地方由上下文决定,读音相同的两个词该选哪一个,要看前后的词。
  3. 写成文字系统把词写出来,加上标点并分句。数字、日期和单位以什么形式出现在页面上,也在这一步决定。

早期的系统只能识别一位说话人从一份短词表里逐个念出的词。现在的系统能处理从没听过的人说出的连续语音,所以用笔记本电脑录下的会议也能转写。

录音转写和实时语音转写有什么区别?#

录音转写接收一个录好的文件,一次返回整份文字稿。Paxa STT Lite 属于这一种,文件最长 120 分钟,适合会议、访谈、讲座和视频。

实时转写听取实时的说话声,在对话还在进行时就返回文字。Paxa STT Lite Realtime 是带自动轮次检测的流式转写,会报告说话人何时开口、何时停下,以及这一轮说了什么。实时字幕和语音智能体需要这一种。实时转写与录音转写讲了怎么选。

语音转文字会返回哪些内容?#

文字稿是最基本的结果。多数服务还能在此之上提供更多内容,下面四项值得记住名称。

结果是什么用来做什么
文字稿说出的话,以文字呈现阅读、搜索、引用和总结
词级时间戳每个词开始和结束的秒数跳到音频里某句话的位置,以及给字幕对时间。参见词级时间戳指南
说话人编号按发言段切分的文字稿,每段依次标为说话人 0、说话人 1区分采访者和嘉宾,或区分客服和来电者
字幕文件每一行都带时间的 SRT 或 VTT 文件随视频一起上传。参见字幕生成器

有两项设置会改变文字的样子。Paxa STT Lite 对泰语的数字、单位和日期有两种写法:“口语”按说出来的样子保留为文字,“书面”写成报告里常见的数字。数字写法指南展示了两种结果。风格也有两种:“逐字”保留每个语气词和说错重来的部分,“精简”删去这些内容,读起来更顺。

词汇表最多可填 50 个人名、产品名和术语,告诉模型录音里可能出现的词该怎么写。

说明

Paxa STT Lite 是研究预览版,转写结果和选项可能在版本之间发生变化。

语音转文字用在哪些地方?#

用途文字稿的作用延伸阅读
会议成为会议纪要的初稿,决定和负责人可以直接从文字里整理出来会议
客户通话让每一通电话都能搜索,用于质检、培训和处理投诉通话录音
视频字幕变成带时间的字幕文件,用于短片、课程或节目视频字幕
访谈让研究者和记者准确引用原话,并知道每句话是在哪一秒说的访谈
讲座和培训成为学员可以搜索和复习的笔记讲座
语音备忘把随口说下的提醒变成文字,粘贴到该去的地方语音备忘
语音输入作者一边说,文档一边写成听写
实时字幕和语音智能体在对话还在进行时提供每一轮说的话实时转写、什么是 AI 语音智能体

语音转文字的准确率怎么衡量?#

通用的指标是词错误率(WER)。它统计文字稿里写错、漏掉和多出来的词,再除以实际说出的词数,数值越低越好。词与词之间不写空格的语言通常用字符错误率(CER),按同样的方法统计字符。ASR 术语表给出了这两个词的定义,准确率指南讲了怎样用您自己的录音来测。

公布的分数只说明它在测试所用的那批录音上的表现。录音棚里的清晰语音,得分远好于行驶中的车里打的电话,每个系统都是如此。正式使用之前,请先用一段和您的实际录音相近的音频测试。

为什么有些语言更难转写?#

  • 词与词连写。中文和泰语书写时词间不加空格,系统要先判断每个词在哪里结束,时间戳和字幕换行才能落在词上。
  • 声调决定词义。普通话有四个声调,泰语有五个,同一个音节换一个声调就是另一个词。普通话里还有大量同音词,要靠整句话才能判断该写哪个字。
  • 一句话里混着几种语言。泰国人说到产品名或技术术语时会用英语,然后接着说泰语。好的转写会让每个词保留说出时所用的文字,语码转换指南说明了这对搜索有什么影响。
  • 数字是用词说出来的。转写写成文字还是数字是一项设置,怎么选取决于谁来读。

Paxa STT Lite 支持多种语言,可以转写中文、英语、泰语和其他语言,没有指定语言时会自动识别。

语音转文字能识别笑声、停顿或说话人吗?#

文字稿记录的是说出的话。“逐字”风格会保留说话人的语气词、说错重来的部分和改口。停顿体现为前一个词的结束时间和后一个词的开始时间之间的间隔,字幕文件也会在停顿处另起一条。

说话人编号把同一段录音里的不同声音区分开,不会识别任何人的身份。文字稿里写的是说话人 0 和说话人 1,哪一位是主持人由读的人来判断。

语音转文字多少钱?#

语音转文字按音频时长计价。实时转写有单独的价格,按收到的音频计费。

模型积分金额
Paxa STT Lite每分钟 8.33每小时 $0.50
Paxa STT Lite Realtime每分钟 12.5每小时 $0.75

新账户自带 100 免费积分,无需绑卡,约可转写 12 分钟 的录音。免费积分仅限个人使用和评估。购买任意套餐或积分包后,账户里的文字稿都可以商用,包括购买之前生成的内容,详见服务条款。转写费用指南把这些价格和请人打字的费用放在一起比较。

语音转文字怎么用?#

  1. 打开“转写”工具登录后打开“转写”工具,拖入一个不超过 120 分钟、95 MiB 的文件,或直接用麦克风录音。
  2. 选择设置数字选“口语”或“书面”,风格选“逐字”或“精简”,再填上录音里出现的专有名词。
  3. 对照音频阅读运行转写,对照录音核对人名和数字,然后复制文本或下载字幕文件。

如何把录音转成文字详细讲解了第一个文件的做法,包括怎样录音才能让转写结果干净。

接下来读什么、试什么?#

常见问题#

语音转文字和 ASR 是一回事吗?#

是的。自动语音识别(ASR)是研究领域对这项工作的叫法,语音转文字和转写是产品常用的名称。ASR 术语表给出了相关术语的定义。

语音转文字和声纹识别是一回事吗?#

这是两项不同的工作,只是人们常把名称混着用。语音转文字写下说了什么。严格意义上的声纹识别,是根据嗓音认出说话的人是谁。Paxa 只转写语音,不识别任何人的身份。

语音转文字支持泰语吗?#

支持。Paxa STT Lite 可以转写泰语,包括泰语句子里夹着的英语词,并会给泰语分词,让时间戳和字幕换行落在词的边界上。泰语语音转文字选购指南介绍了其他支持泰语的服务。

语音转文字能区分说话人吗?#

可以,只要服务提供说话人分离。Paxa STT Lite 能把一段录音按发言段返回,每位说话人一个编号。说话人轮次指南展示了通话录音转写后的样子。

语音转文字免费吗?#

手机和电脑自带基础的语音输入,不收费。转写录音的话,Paxa 新账户的 100 免费积分约可转写 12 分钟 的音频,无需绑卡,仅限个人使用和评估。

继续阅读

更多指南