去年年底学做红烧肉，视频教程里的步骤飞快，播到一半油锅都起了烟，我还在手忙脚乱拖进度条。后来想了个笨办法——把菜谱视频里的每一句解说全转成文字，打印出来贴冰箱上，边看边做。那段时间几乎把电脑上能找到的视频转文字法子都试了一遍，趁记忆还新鲜，把几款真正好用的方案整理出来，希望能帮到有同样需求的人。
这篇文章会从我最先上手的轻量方案开始，再聊到电脑端免费的本地工具、专业级在线转写，以及完全不用联网的开源选择。不管你是想处理一段教学视频、把访谈录音转成逐字稿，还是单纯想给视频配字幕，都能找到趁手的工具。
用小程序的思路把这件事变轻：提词匠
起初我完全没想过去下载软件，直接在手机上一搜，发现很多视频转文字的工具。在试过几个之后，它成了我那个阶段用得最勤的小程序——不是因为它功能多到吓人，而是因为从打开到导出，整个过程简单到几乎没什么存在感。
它把“视频转文字”拆成三条路：直接上传手机里存好的视频，粘贴来自抖音、B站、小红书等平台的公开视频链接，或者干脆录一段音频导进去。我用得最多的是链接解析，把做菜教程的分享链接扔进去，不用先把视频下载到电脑再传来传去，对片长较短、一次只处理一两条的场景特别友好。
操作步骤
- 搜索“提词匠”进入小程序，点击主界面的“视频转文字”。
- 选择上传本地视频，或者粘贴你从其他平台复制的公开链接。支持的视频格式覆盖了常见的MP4、MOV、AVI、MKV等，音频也能直接处理MP3、M4A、WAV之类。
- 稍等片刻，转写完成后，页面会展示全文。你可以一键复制到剪贴板，也可以导出为TXT、Word或带时间戳的SRT字幕文件。
我拿那段七分钟的红烧肉教程试过，从粘贴链接到屏幕上出全文，体感上也就几秒钟。后来用它转过一期近一小时的播客访谈，同样稳当，没遇到中途断开的情况。
它比较适合这些事
- 临时需要从某个视频里扒一段文案，不想打开电脑。
- 日常刷小红书、B站时，把有启发的教程转成文字保存或整理成笔记。
- 转写之后还想顺手润色下——它内置了一个智能改写，可以把口水话整理成更通顺的段落。
客观说几个限制
提词匠必须联网才能使用，断网环境下完全打不开。另外一次只能处理一个文件，没办法批量上传，如果你手里囤着几十段课程录像需要一次性转写，会更费时间。还有一点，链接提取只覆盖国内主流平台，爱奇艺、腾讯视频这类，以及国外视频平台的链接就无能为力了。
剪映电脑版：自带智能字幕的免费视频处理工具
如果视频本身需要加字幕，或者习惯在电脑上作剪辑，那剪映专业版是绕不过去的选项。很多人知道它能剪视频，却忽略了它自带一个挺好用的“智能字幕”功能，并且可以把识别出来的字幕单独导成文字稿。
有一次我需要把一段手机拍的会议录像整理成会议纪要，视频大约四十分钟，全程中文发言。整场录像直接拖进剪映，点两下就生成了带时间轴的字幕，再把字幕文件导出为TXT，略作校对就完成了。
完整的操作流程
- 从官网下载安装剪映专业版，打开后点击“开始创作”，把视频拖入素材库，再拖到下方的时间线。
- 选中时间线上的视频片段，在顶部工具栏点击“文本”，切换到“智能字幕”，点击“开始识别”。软件会自动分析语音并生成字幕，语言默认设为中文，也可以手动选英语或粤语。
- 识别结束后，点击右上角的“导出”，在导出窗口里关掉“视频导出”，只勾选“字幕导出”，格式选TXT或SRT。TXT适用于直接阅读，SRT保留了每个句子的起止时间码，方便后续加字幕。
剪映电脑版本身安装包不小，但它确实把视频剪辑和语音识别整合在了一起，适合既有剪片子需求、又需要提取文案的人。识别需联网，优势在于软件本身免费，导出字幕文件不花一分钱。
通义听悟：分角色转写和自动总结
遇到多人讨论的视频时，我一般会跳转到通义听悟这类带有说话人分离功能的工具。去年帮朋友整理一场线上圆桌讨论，四个嘉宾偶尔抢话，普通工具转出来是一整坨没有段落的字块。通义听悟处理完之后，文本自动标上了“说话人1”“说话人2”，而且借助大模型，能在侧边栏直接生成一段全文摘要和关键词，省去大量梳理时间。
使用步骤
- 在浏览器打开通义听悟官网，登录账号。每个新账号都会有一些免费转写时长，当作尝试完全足够。
- 点击“上传音视频”，选好文件，在设置里把“语言”和“说话人分离”都开启。视频上传后会开始自动识别。
- 转写完毕，左侧是带时间戳的文字稿，点击任意一句就能跳转到对应的播放位置进行核对。右上方导出按钮支持Word、PDF、TXT等格式。
- 如果只是想快速掌握内容，可以直接看“AI总结”一栏，它会提炼出概要、要点甚至思维导图。
通义听悟的优势在于对多人场景的优化，以及它的自动总结能力。不过免费额度用完后，再想使用高级功能就需要付费。纯文字导出本身没有限制，但高频、大批量的转写成本会上升。
用开源模型Whisper搞定本地离线转写
对于完全不想让视频离开自己电脑的用户，OpenAI开源的Whisper模型提供了一个较为彻底的本地方案。这个模型可以完全离线运行，语音数据不上传任何服务器，处理涉及隐私内容的视频时更放心。我在处理一份内部产品讨论录像时，就是用Whisper在本地完成转写，全程断网，显卡风扇转了好一阵子，最终生成的逐字稿准确度相当不错。
如果你不想碰命令行
现在有第三方开发者把Whisper封装成了桌面应用，比如Buzz。下载安装后，界面就像一个普通的音频播放器，选择视频文件，设定语言和输出格式，点击开始就行。软件会调用本机算力完成识别，完成后在本地生成TXT或SRT。
如果你习惯命令行
安装Python环境后，在终端执行以下几步：
- 运行
pip install openai-whisper安装Whisper。 - 把要转写的视频放在某个目录下，在终端中执行
whisper 视频文件名.mp4 --model medium --output_format txt。 - 默认会在同一目录下生成同名的
.txt文件，内含全部文字。
Whisper对英文的识别尤其精准，中文建议用medium或large模型。需要留心的是，large模型占用的显存和计算资源很大，老旧笔记本跑起来会比较吃力，一段十分钟的片子可能要等上好几分钟。但它的好处同样明确：完全免费、不上传任何数据，只要你有一台性能还过得去的电脑。
一些小经验
- 先听一下音频质量：背景嘈杂、说话音量忽大忽小的视频，建议先用剪映等软件做一遍简单降噪，再拿去转写，效果会有明显提升。
- 长视频尽量分段：超过两小时的录像，不论用哪个工具，都建议切分成多个片段再转写。一是防止中途意外断开导致返工，二是很多免费服务的单次时长有限。
- 专业术语提前整理：如果视频涉及特定领域的专有名词，部分工具支持上传自定义词库，提前设置好能大幅降低错误率。
- 别省校对这一步：不管哪款工具，90%以上的准确率听起来很高，但落到文字上依然可能出现一些令人困惑的错误。文稿正式使用前，划一遍原文修改错字，花不了几分钟，但效果天差地别。
我把之前收藏的十几道菜谱视频全转成了文字，码进同一个Word文档里，打印出来贴在冰箱侧面。到现在，那道红烧肉我已经能不用看方子就直接做。后来转写的会议录音、学习笔记也各自归了档，回头查找时比翻视频快得多。如果你主要图方便、图快，从提词匠这样的轻量工具上手会很顺手；稍微复杂些、需要硬字幕的场面就开剪映；多人讨论、需要精加工的去通义听悟；涉密内容或者不想联网的，直接用Whisper本地跑。