VOICE2TEXT AI

用户手册

Voice2Text

从声音到文字,支持多种语言。

使用人工智能转写音频和视频文件,修改文本,并保存到任何位置。

离线 Whisper12 种格式云存储9 种语言

欢迎使用 Voice2Text

Voice2Text 可将音频和视频录音转换为文字。采访、会议、课程、播客、语音消息:把文件拖进窗口,选择人工智能引擎,几分钟后就能得到可编辑、可保存的文本。

主要功能

系统要求

macOS 11 或更高版本(Apple 芯片或 Intel 的 Mac)、64 位 Windows 10/11,或 64 位 Linux(Ubuntu、Debian、Fedora 及其衍生版)。使用离线 Whisper 建议至少 8 GB 内存;在线服务只需联网。

安装

下载适合你系统的文件,像安装其他软件一样安装即可。

macOS

打开 Voice2Text_1.1.1_universal.dmg,将 Voice2Text 图标拖到应用程序文件夹。首次打开时 macOS 可能提示无法验证开发者:打开系统设置 → 隐私与安全性并选择仍要打开,或右键点击应用并选择打开。只需操作一次。

Windows

运行 Voice2Text_1.1.1_x64-setup.exe。如果出现蓝色的 Windows SmartScreen 窗口,点击更多信息,再点击仍要运行。安装无需管理员权限。

Linux

在 Ubuntu 和 Debian 上安装 .deb 包(双击或运行 sudo apt install ./Voice2Text_1.1.1_amd64.deb);在 Fedora 上安装 .rpm 包。也可以将 .AppImage 设为可执行(chmod +x)后直接运行。

可选:ffmpeg。Voice2Text 能自行读取常见格式。对于少见格式(OPUS、WMA、AMR、AVI…),请安装 ffmpeg:Mac 上运行 brew install ffmpeg,Windows 上运行 winget install ffmpeg,Linux 上运行 sudo apt install ffmpeg。程序会自动找到它。

主窗口

所有操作都在一个窗口中完成:左侧是文件列表,中间是当前选中的文件。

图 1. 开始界面:把文件拖到框内,或点击“选择文件”。

添加文件

将一个或多个音频或视频文件拖到窗口,或点击添加文件(⌘O / Ctrl+O)。数量不限,会依次转写。拖入 .v2t 文件即可重新打开已保存的转写。

选择引擎和语言

转写前,先选择由谁来完成:电脑上的 Whisper,还是在线服务。

图 2. 为选中的文件选择引擎和语言。
引擎费用特点
Whisper(离线)免费无需联网;模型只需下载一次(45 至 600 MB)。速度比在线服务慢。
Groq Whisper凭密钥免费速度极快;长音频会自动分段。
AssemblyAI免费额度可识别说话人,适合采访和会议。
Deepgram免费额度可识别说话人,速度很快。
Whisper server免费本机或局域网中的 Whisper 服务器(whisper.cpp、faster-whisper-server、LocalAI)。
OpenAI付费OpenAI Whisper。

音频语言

选择自动识别时,Voice2Text 会自行判断所说的语言。如果你知道语言,最好直接选择:结果会更准确,尤其是开头几秒。

在线服务的密钥

Groq、AssemblyAI、Deepgram 和 OpenAI 需要个人密钥:在设置 → 引擎中,每个服务都有对应的输入框和“获取密钥”链接。注册 Groq 免费;AssemblyAI 和 Deepgram 注册即送免费额度。

图 3. 设置 → 引擎:Whisper 模型和各服务的密钥。

点击开始转写即可开始。有多个文件等待时,侧边栏还会出现全部转写按钮。

在线服务:音频将离开你的电脑

使用在线人工智能服务时,音频文件会通过互联网上传。Voice2Text 会明确告知并请你确认。

图 4. 首次上传到在线服务前必须阅读的提示。

首次使用 Groq、AssemblyAI、Deepgram 或 OpenAI 时会出现此提示。要继续,必须勾选“我已阅读并理解”;也可以直接改用离线 Whisper。

音频文件将上传到外部服务的服务器,该服务会依据其自身条款和隐私政策处理文件:可能会保存一段时间,也可能在其他国家/地区处理。

请勿上传包含机密信息的录音,也不要上传隐私或保密内容,以及个人、健康或第三方数据,除非你拥有相应权利并已获得被录音者的同意。

Voice2Text 及其作者不承担任何责任,包括上传文件的内容、保密性以及外部服务对文件的使用。责任完全由上传文件的人承担。

同意仅对单个服务有效,并会记录日期。只要选择了在线服务,就会显示橙色提示框。在设置 → 关于中可以重新阅读此提示,并让它再次出现。

音频涉及机密?请使用 Whisper(离线):转写完全在你的电脑上进行。

转写过程中

Voice2Text 会随时显示工作进度。

图 5. 使用 Groq 进行转写:进度和正在处理的分段。

你可以随时点击取消,也可以同时处理其他文件:文本完成后会收到通知。

修改转写

文本按句子划分,每句都有时间,若能识别还会标出说话人。

图 6. 编辑器:上方是音频播放器,下方是可编辑的句子;正在播放的句子会高亮显示。

收听

上方的播放器播放原始音频:空格键开始或暂停(未在输入时),按钮可前后跳转 5 秒,速度可在 0.75× 到 2× 之间选择。点击句子的时间即可收听;开启跟随音频后,正在播放的句子始终可见。

编辑

图 7. 查找替换和说话人名称。

查找和替换

查找(⌘F / Ctrl+F)会高亮包含该词的句子;全部替换可一次性更正整篇转写中写错的名字。

说话人

使用 AssemblyAI 和 Deepgram 时,每句都有标签(说话人 A、说话人 B…)。在说话人面板中输入真实姓名,它会出现在所有地方,包括导出的文件。可在时间旁的菜单中更改某句的说话人、添加新的说话人,即使引擎无法识别也可以手动指定。

保存和导出

保存项目以便稍后继续修改,并按需要的格式导出文本。

.v2t 项目

保存(⌘S / Ctrl+S)会生成 .v2t 文件,包含转写、修改内容和说话人名称。通过打开转写(⇧⌘O / Ctrl+Shift+O)或拖到窗口中即可重新打开。⇧⌘S 可另存为其他名称。

导出

图 8. 导出窗口:格式、选项和保存位置。

点击导出(⌘E / Ctrl+E),输入文档标题并选择格式:

格式适用于
.docx Word · .odt LibreOffice · .rtf可编辑的文档,含标题和录音信息
.pdf用于打印或发送;通过系统打印窗口生成(“存储为 PDF”)
.txt · .md · .html纯文本、Markdown、网页
.srt · .vtt视频字幕(YouTube、Premiere、DaVinci、VLC…)
.csv · .json表格(Excel、Numbers)及供其他程序使用的数据
.v2t可重新打开的项目,也可保存到云端

选项可决定是否包含时间戳和说话人名称,以及是否合并为段落。阿拉伯语等从右向左书写的语言会正确排版。

保存到云端

Voice2Text 通过云服务应用在电脑上创建的同步文件夹,直接把文件保存到你的云端。无需连接账户,也无需输入密码。

工作原理

安装 Google Drive、OneDrive、Dropbox、Box、Proton Drive、iCloud Drive、pCloud、MEGA、Nextcloud 或 Sync.com 的应用后,电脑上会出现一个同步文件夹。Voice2Text 会自动找到它:在导出窗口的保存位置中选择云存储并点击按钮。文件会写入 Voice2Text 子文件夹,云服务应用随即上传。

图 9. 设置 → 云存储:电脑上找到的文件夹和 WebDAV 连接。

设置 → 云存储

Proton Drive 不允许其他应用直接访问账户,因此 Voice2Text 使用它的同步文件夹,并保持相同的端到端加密。

设置和语言

右上角的齿轮(⌘, / Ctrl+,)可打开设置。

图 10. 设置 → 常规。

语言是 XML 文件

图 11. 设置 → 语言:可用语言、完成度和 XML 文件工具。

每种界面语言都是一个 XML 文件。要修改翻译或添加新语言:

  1. 导出该语言文件(行内箭头),或下载新语言模板。
  2. 用文本编辑器打开,只翻译标签之间的文字,保留 key 属性和花括号占位符(如 {n})。
  3. 点击加载 XML 文件…:该语言会立即出现在列表和语言菜单中。
<language code="pt" name="Português" english="Portuguese" dir="ltr" version="1.0">
  <string key="app.addFiles">Adicionar ficheiros</string>
  <string key="progress.piece">parte {i} de {n}</string>
</language>

与内置语言代码相同的文件会替换内置语言(用于修正),随时可以恢复原版。缺失的句子以英文显示;完成度一栏显示已翻译的比例。从右向左书写的语言请使用 dir="rtl"。

键盘快捷键

在 Windows 和 Linux 上用 Ctrl 代替 ⌘。

按键操作
⌘O添加音频或视频文件
⇧⌘O打开已保存的转写(.v2t)
⌘S · ⇧⌘S保存 · 另存为
⌘E导出
⌘F查找和替换
⌘,设置
空格键播放 / 暂停(不在文本中时)
Enter · Shift+Enter拆分句子 · 句内换行
句首按 Backspace与上一句合并
Esc退出文本 · 关闭当前窗口

常见问题

最常见问题的解答。

无法读取我的文件格式。

安装 ffmpeg(见“安装”一章),或使用 AssemblyAI 或 Deepgram,它们接收原始文件,因此支持任意格式。

离线 Whisper 很慢。

在设置 → 引擎中选择基础或极小模型。“大型 turbo”最准确,但没有显卡时较慢。长文件用 Groq 会快得多。

文本是另一种语言或被翻译了。

不要使用自动识别,直接指定音频语言,然后点击重新转写。

“服务密钥无效”。

在设置 → 引擎中检查密钥:从服务网站重新复制,不要带空格。

我的云存储没有出现。

确认云服务应用已安装并正在同步,然后在设置 → 云存储中点击重新查找。也可以手动添加文件夹。

播放器显示“音频不可用”。

保存项目后,原始音频文件被移动或重命名了。文本仍然可用;如需重听,请把文件放回原位置。

我的密钥和设置保存在哪里?

只保存在你的电脑上,在应用的设置文件中,仅当前用户可读,绝不会发送给 Voice2Text。

VOICE2TEXT

从声音到文字,支持多种语言。