长场次直播回放，也能拆成可引用的段落

一小时的视频通常落在单次上传 100MB 的限制之内，纯音频的场次还能容纳好几个小时。很长的峰会按部分切开，每一段的时间从零重新开始，最后一个小时里的内容照样能给出准确的时间点。切开之后，每份文字稿也可以交给不同的人整理。

打开说话人区分后，每位嘉宾都有自己的标签，复核时可以把标签改成真实姓名。三人讨论在归属清楚之后比混成一条看不出谁在说话的流好引用得多，尤其是要把某句判断记在某位嘉宾名下时。交接给设计或运营同事时，也不会传错人。

口头提出的问题都会被转写，由主持人念出来的提问会挂在主持人的标签下。打字留在聊天框里的问题不会被收录，所以书面问答更适合单独放在文档里，和文字稿并排放着，而不是硬塞进正文。提问者的姓名如果没被念出来，文字稿里也不会出现。

Zoom、Teams、Google Meet、Webex 以及多数直播工具，在活动结束后都能提供本地录像或下载。音频或视频文件可以直接上传，主办方不必先重新编码、单独提取音轨，也不用转成别的格式。平台只提供云录制时，先把它下载到本地即可。

只转写语音。一直停在屏幕上、没有人念出来的要点不会出现在文字里，这也是文字稿要配合幻灯片、而不是替代它的原因。图表、示意图和屏幕上的代码同样不会被读进去。想要完整讲义，仍得把幻灯片另存一份留着，两者合起来才是一份完整材料。

输入价格、路线图或某位嘉宾的名字，文字稿会跳到对应的位置。时间戳让人先听一小段确认语气，再把这段改写成文章、邮件通讯或视频脚本。长场次里通常有好几处这样的段落值得摘出来，一场直播可以支撑好几篇内容，一篇长文往往从两三段拼接而成。

能。文字稿可以导出 SRT 和 VTT，这正是视频平台做隐藏字幕所需的格式。字幕和文字稿来自同一份转写结果，文章与回放之间的措辞因此保持一致，不会一处一个说法。需要双语版本时，那是另一道翻译工序，工具本身不产出译文。

背景音乐、有回声的房间和网络不佳的嘉宾都会降低准确率。从平台直接拿到的干净音源，好过带房间声的屏幕录制；时间戳则让存疑的段落可以在引用之前先回放一遍确认。开场音乐很长的场次，前几十秒往往没有可用的文字。