不转换格式，直接把视频读成文字

MP4、MOV、WebM、M4V、WMV 与 MPEG 都按原样读取，视频工具常导出的音频封装格式也在支持范围内。手机拍的片段、录屏文件、桌面剪辑软件导出的序列，多数不需要先转换就能提交。如果格式不在列表里，先确认文件是否为封装过的特殊编码，必要时再转一次容器。

没有这一步，也不需要。视频文件整体提交，音轨在内部被读取，既不会生成中间音频文件，也不用二次上传。原视频不会被改写，开始之前也没有别的准备工作。所以同样一段素材，转写不会占用双份磁盘空间，也不用等两次处理。

现场录下的人声通常是最容易处理的输入，声音清楚、只有一个人的素材几乎不需要修改。风声、车流、离麦克风太远都会降低准确率。人名、地名和专业词汇是最需要手动过一遍的部分。室内、单机位、说话人靠近镜头的素材，通常一稿就能用。

可以在处理前开启说话人区分，之后每次换人都会开始一条带标签的新发言。双人访谈、座谈录像、用房间摄像头拍的会议，都能得到把话归到具体某个人名下的文稿。开启后标签是编号，导出前可以改成人名，谁的发言就归到谁名下。

文件按一个任务处理，文稿覆盖整段录像。处理时间随时长增加，所以一小时的视频比短片返回得慢得多，处理期间还占着一个任务名额。文稿本身不需要先把视频切开。如果视频有分段的结构，按章节拆开提交，每份文稿也更好命名。

在上传上限以内的大文件都可以提交，原视频不必先压缩。分辨率高但时长适中的文件通常没问题，因为分析的只是音轨；体量特别大的成片可能需要先截取需要的部分。上传前先截掉不需要的开头和结尾，也能省下一部分处理时间。

可以。完成的文字能带时间导出为 SRT 或 VTT，多数剪辑软件和播放器都支持。于是一次转换同时得到两种结果：供阅读的文稿，以及给同一条视频用的字幕轨，不必再把音频送进第二个工具。字幕与文稿共用同一份文字，改一处不需要在两个文件里各改一遍。

不需要安装。文件通过浏览器上传，在服务端处理，文字回到同一个页面。在不能随意装软件的公司电脑、公用机器或平板上，这套流程照样能用。在多人共用的机器上，也不必担心留下安装记录或版本冲突，用完关掉页面即可。