AI 音频原文转写

不会。录音按实际所说的语言转写，检测到的语种会标在文稿旁边。这份文稿才是下一步的输入，交给译者或翻译服务处理。两步分开的好处是，原话在被改变含义之前，先有人能读懂并核对一遍。把它当成翻译的起点，而不是译文的替代品。

M4A、MP3、WAV、AAC、OGG 等常见格式都可以，视频文件里的音轨也能直接读。手机导出的语音备忘、会议工具录下的通话、播客的母版，都走同一个上传入口，不必先转码或改扩展名。文件大小按页面上限判断。

会。免提、信号压缩和背景人声都会削弱清晰度，靠近麦克风的一端通常比远端更清楚。双声道录音、较少的环境噪声能让识别稳定很多。转完之后对着音频过一遍关键数字，是最省事的做法；两端音量差得远时，先调平再上传也有帮助。

接近一百种口语能被识别，语种从音频本身判断。像双语通话那样一段录音里混用两种语言的，可以切开，或分两次手动指定语种，让每一部分都停在同一个模型上。分两次时，两份文稿各自从文件开头计时，合并时按时间轴对齐。

音频里不止一个声音时，说话人分离会标出每一轮，回答仍归回答的人。两人通话是最清楚的情况。抢话和共用一部手机时，效果会下降，文本可能读成一条连续的流。标注只影响归属，不改动说出的内容，标错了可以手动调整。

数字和日期是跨语言工作里最危险的部分，一个听错的数位很容易被忽略，后面代价却不小。少见语言里的人名是第二类风险。两者在编辑器里都改得很快，翻译之前最好请懂这门语言的人把这两类信息过一遍，并在交付前写明不确定的地方。

三十秒的语音备忘和两小时的访谈走同一条路径，真正的限制是所选方案的文件大小。把长通话切成几段，每份文稿都更容易对着音频复核，有疑问的一段也不必等其余部分处理完才能回头查。切分点选在话题换段处，读起来更连贯。

可以标明语种后发给译者，可以对着音频阅读，可以导出成纯文本，也可以做成字幕。时间戳和说话人轮次都留在原位，译者因此能跟着对话走，审校者也能指到某句话出现的准确时刻。同一份文件既能交付，也能留档备查，不必再转一次格式。