语音转文字工具哪个准确率高？拿同一段录音测了6个工具

我有个习惯，每次开完会比较长的会，都会把录音转成文字，方便回头翻。以前用讯飞听见，后来发现市面上语音转文字的工具越来越多，有的免费额度还不少，就想着干脆拿同一段录音测一遍，看看到底哪个准确率高、哪个用着顺手。

录音是我上周参加的一个产品评审会，大概30分钟，三个人说话，偶尔有穿插。普通话为主，有几个英文术语。录音用的是手机放在会议桌上录的，不是专业设备，有轻微的键盘声和环境噪音——算是比较真实的办公场景。

下面是我测的6个工具，按我实际使用顺序来。

讯飞听见：老牌工具，稳还是稳的

讯飞听见是我用了比较久的工具，准确率确实没话说。30分钟的录音，转出来大概十几分钟就完成了，中文部分基本没有明显的错别字。英文术语像API、Sprint、PRD都识别对了，没有被音译成中文。

三个人的说话内容区分得也比较清楚，虽然偶尔有把A说的话归到B头上的情况，但比例不高，大概四五处，稍微改一下就行。

有个细节比较加分：它把"评审会"这种场景下的常用词汇自动匹配了，比如"需求文档""排期""迭代""验收标准"这些词全对，没有出现奇怪的谐音替代。

不过免费额度确实有限。我这次测的是之前充值的时长，纯免费用户的话，可能只能转一小段就得付费了。如果偶尔用一下，成本有点高。

通义听悟：免费额度比较大方，准确率接近

通义听悟是阿里推出的，免费额度给得比较大方——每天有免费转写时长，对于日常办公来说基本够用。我把同一段录音传上去，转写速度比讯飞稍快一点。

准确率方面，中文部分跟讯飞差距不大，几个英文术语也识别对了。但有一个地方翻车了——我说了一个竞品名字"Notion"，它转成了"no show"。这个应该是训练数据覆盖的问题，不算严重，但如果你经常用到英文专有名词，要注意核对。

它有一个我比较喜欢的功能：转完之后会自动生成一个思维导图，把会议的核心议题和结论列出来。这个功能对会后复盘比较有用，省得自己从头梳理。

说话人区分方面比讯飞差一点，大概有七八处归错人，尤其是两个人说话声音比较像的时候，基本分不清。

飞书妙记：跟飞书生态绑定，团队用起来方便

飞书妙记是飞书里面的功能，如果你的团队已经在用飞书开会，妙记是直接嵌入在会议流程里的，开完会自动生成纪要，不需要额外操作。

我这次测的是把录音文件上传到妙记，不是飞书会议直接录的。转写准确率跟通义听悟差不多，中文没问题，英文术语偶尔翻车。亮点是转写完之后跟飞书文档的联动——会议纪要可以直接转成飞书文档，待办事项可以一键生成飞书任务，这个对于用飞书的团队来说比较实用。

不过飞书妙记的免费额度有限，基础版一个月大概300分钟，超出就要付费。如果你不是飞书的重度用户，专门为了这个功能去用飞书，有点划不来。

腾讯会议AI纪要：会议场景适配得好

如果你用腾讯会议开会，AI纪要功能是直接内置的，开完会自动弹出一份纪要。我用同一个录音文件导进去测试（模拟上传），转写准确率跟前面几个差不多，但它的总结能力让我有点意外。

别的工具转完之后是"原文+摘要"，腾讯会议AI纪要是"会议概览+观点提炼+待办事项+关键结论"，结构化程度比较高。而且它会自动识别"谁说了什么观点"，不只是"谁说了什么话"，等于多做了一层语义理解。

一个比较有意思的功能是会后可以追问——比如"刚才讨论的排期冲突最后怎么定的？"它会从会议内容里找到对应的结论回答你。这个对忘性大的人比较友好。

局限是它只能在腾讯会议生态里用，不能像讯飞或通义那样独立上传外部录音文件。如果是线下会议录的音，就没办法直接用了。

剪映字幕：短视频口播还行，多人会议不太行

剪映的字幕识别功能主要是给短视频用的，我拿它测了一下会议录音，结果不太理想。

首先是多人说话区分不了——三个人的话全混在一起，没有标注谁说了什么。其次是噪音环境下准确率明显下降，键盘声被识别成了"咳咳"这种拟声词。还有英文字母缩写，比如"UI"被识别成了"you ai"，"API"被识别成了"a p i"（字母拆开倒是没错，但看起来很奇怪）。

有一说一，如果只是给口播视频加字幕——一个人对着镜头说话，背景安静，普通话标准——剪映的识别效果还是不错的，够用。但会议录音这种多人场景，它确实不是为这个设计的。

Whisper：免费但折腾，适合有技术背景的人

Whisper是OpenAI开源的语音识别模型，可以在本地部署。我装的是Whisper Turbo版本，用Python跑的。

先说好的：完全免费，数据不出本地，隐私性好。多语言支持比较强，英文术语识别准确率反而是这几个工具里比较高的——"Notion""API""Sprint"全部正确，没有翻车。

再说不好的：部署需要折腾。你得装Python环境、下载模型文件、写命令行调用。对非技术用户来说门槛不低。而且转写速度取决于你的硬件——我用的是RTX 3060，30分钟录音用了大概5分钟，如果用CPU的话可能要等很久。

另外说话人识别是Whisper的弱项——它不会自动标注谁说了什么，需要借助其他工具或手动标注。也没有摘要、待办、思维导图这些附加功能，就是一个纯转写工具。

测完之后我的选择

如果只留一个的话，日常办公我用通义听悟——免费额度够用，准确率够用，思维导图功能实用。

重要会议用讯飞听见——准确率比较稳，特别是涉及专业术语和重要决策的场合，少出几个错就值回票价。

如果团队已经在用飞书或腾讯会议，直接用内置的妙记或AI纪要，协同效率比单独转写工具高。

剪映留给短视频字幕，Whisper留给有技术背景且对隐私要求高的场景。

没有哪个工具是面面俱到的，关键看你的使用场景是什么。如果让我给一个建议的话：不管你选哪个工具，转写完之后一定要人工过一遍，尤其是人名、数字、金额、日期这些关键信息。AI转出来的东西，准确率98%和100%之间，差的那2%往往就是比较容易出错的地方。