WAV 转文字

支持。录音笔和音频接口常见的 48 kHz、24 bit 文件可以直接上传，不必先降到 16 bit 或重采样。转写从写好的文件开始，原始录音因此始终可以作为之后核对的依据，音质也不会因为中间步骤被改动。文件格式不用先做转换，直接选文件即可。

转成 MP3 会多一代有损压缩和一个要额外管理的文件，却没有让语音更容易被识别。WAV 转文字直接接收未压缩文件，进入识别器的音频就是当初录下的音频。顺带也避免了「反正有小份副本」而把原始文件删掉的冲动。保留原始文件，也意味着每句引语都能复查。

单次上传上限 100MB，按 48 kHz、24 bit 计算大约是几小时的立体声；语音时长不设上限，真正会卡住的只有体积。一整天的录音通常仍会超过体积上限，因此提交前应在自然的断点切开，比如一场访谈结束时。分段提交之后，先拿回的那段可以先校对。

开启说话人分离后可以。每一轮发言都会被标出，这对问答必须分清彼此的访谈很重要。两人抢话，或者有人侧身离开麦克风，仍然是最难处理的情况，这类段落引用之前值得先听一遍原音。标签可以后期改成人名，引用时更清楚。

每段文字都带着它在录音中出现的时间，从文件开头算起。审阅者因此可以直接跳到原始 WAV 里的某句话，遇到拿不准的人名或数字时尤其有用。即使是一场很长的录音，文本与音频也始终对得上。记下时间点，也方便日后写脚注或索引。

单支麦克风录成的单声道文件是最省事的输入。立体声文件按原样处理，但如果左右声道各是一位说话人，把声道拆成两个文件分别提交，往往比合并成一条轨道更干净，每一半也能拿到自己的说话人标签。双声道素材先试听左右，再决定是否拆分。

噪音低、麦克风离得近的干净音频效果最好，而录音笔的素材通常正属于这一类。口音、抢话和专业词汇仍然需要复核。对着时间戳听一小段，就足以判断整场录音是要通篇校对，还是只改几处。设备摆位和房间回声，往往比型号更关键。

纯文本可以导出，用于编码、引用或归档；录音日后要带字幕发布时，也可以导出 SRT。由于原始文件没有被改动，档案可以把 WAV 与文本放在一起保存，时间戳则成为论点与音频之间那条可回溯的线索。归档时建议保留原始 WAV，不要只留文本。