STT 語音轉文字是什麼？把錄音一鍵變成逐字稿

兩小時的會議錄音，人工聽打要四小時起跳。語音轉文字幾分鐘就給你一份帶時間戳記的逐字稿，剩下的只是校對。

它是很多 AI 工作流的第一步。逐字稿出來之後，摘要、待辦、字幕、知識庫，全都接得上去。

定義

STT 的全名是 Speech-to-Text，中文叫語音轉文字或聽寫。它能將人類語音內容轉換成可編輯的文字，透過深度學習的語音辨識模型，實現高準確率的轉寫。

四個核心特色：高精準度、多語言支援、辨識多種口音、多格式輸出。輸出可以是純文字、文件檔、字幕檔或結構化資料。

進階功能還包含長時間音訊辨識、說話人分離、專業術語客製化與背景音樂過濾。

白話比喻

它就是一位打字很快的聽寫員，而且比人多兩個本事：每一句都標上時間，還能分辨這句是誰講的。

所以它交出來的不只是一整段文字，而是一份可以跳轉定位的逐字稿。你要找「第三十七分鐘那段結論」，點一下就到。

STT 跟 TTS 差在哪？

實際用例

應用場景很集中：會議紀錄自動產生逐字稿、訪談與採訪快速整理、課程與演講生成講義與字幕、客服對話記錄以優化服務品質、影片字幕自動生成節省後製時間、醫療紀錄語音輸入減輕護理負擔。

我自己的用法是把它當工作流的第一段。錄音進來先轉逐字稿，再交給模型做摘要與待辦整理，最後有價值的段落才進知識庫。中間這幾步都自動化，只有最後的取捨要人做。