首页 → 博客 → 如何转录访谈录音，而不必手工敲一遍

如何转录访谈录音，而不必手工敲一遍

发布于 2026-08-18 · 6 分钟阅读

一小时的访谈，手工敲要四到六小时。自动转录把它压缩成几分钟机器时间加二十分钟核对——前提是录音和核对都做对了，而质量恰恰大半在这两处决定。

准确率大半在按下录音键之前就决定了

没有哪个模型能还原从未被录进去的信息。三件事比你之后调的任何参数都重要：

把麦克风放到嘴边。咖啡馆桌上两人中间的一部手机，录到的主要是咖啡馆。同一部手机举到胸前，录到的才是访谈。
消掉你能控制的噪声。空调、开着的窗、背景音乐——每一样都在每一句话上扣掉准确率。
条件允许就录两轨。两部手机，或按声道分别录音的通话，之后免费换来说话人区分。这是整个流程里价值最高的一个决定。

用笔记本电脑接一支便宜的外置麦克风录音，效果远好过塞在口袋里的手机，而且安排起来不花一分钱。

转录本身

一个请求。请求带时间轴的分段——对访谈来说，正是它让引语可以被核对：

from openai import OpenAI

client = OpenAI(base_url="https://voicesscribe.com/v1", api_key="your key")

with open("interview.mp3", "rb") as f:
    r = client.audio.transcriptions.create(
        model="whisper-1", file=f,
        response_format="verbose_json",
        language="zh",
        prompt="访谈对象：马尔凯蒂博士，流行病学家，主题是污水监测。",
    )

for s in r.segments:
    m, sec = divmod(int(s.start), 60)
    print(f"[{m:02d}:{sec:02d}] {s.text.strip()}")

受访者姓名、所在领域和专业术语都放进 prompt。访谈里专有名词密度极高，而专有名词正是识别最容易滑手的地方，一行提示就能解决其中大部分。

一个文件里的两个声音

单个混音录音不会带说话人标签。这是真实的限制，但有实际可行的绕法：

分轨录音。各自单独转录就得到完美区分，再按时间轴交错合并即可。
分声道。如果录音设备把两个人分到了不同声道，先拆开：ffmpeg -i in.wav -map_channel 0.0.0 a.wav -map_channel 0.0.1 b.wav
事后标注。两个人的访谈里轮次交替是可预期的，提问的那个是记者。通读一遍补上名字，一小时的文本也就几分钟。

多数访谈用第二、第三种就够了。在确认自己需要之前，不要先去搭一套说话人分离的流水线。

核对结果

自动转录在普通话语上很准，最不可靠的地方恰恰是访谈里最要紧的：人名、数字、机构和专业术语。围绕这四类做一次二十分钟的检查，几乎能抓住全部问题。

时间轴让这件事变得可行——任何一句你拿不准的话，跳到那一秒听一遍即可。这也是避免已发表访谈中最糟糕故障的办法：一句读起来很顺、但从没有人说过的引语。

# 找出值得亲耳听一遍的位置
for s in r.segments:
    if any(c.isdigit() for c in s.text) or "博士" in s.text:
        print(f"{int(s.start)//60:02d}:{int(s.start)%60:02d}  {s.text.strip()}")

从逐字稿到你真正需要的东西

逐字稿是原料。真正被使用的通常是三样东西之一：

带时间戳的引语——用于稿件，可以对着录音核对。
跨多场访谈的主题——用于研究，同一批问题问了十遍。
给不在场者的摘要——团队需要的是结论，不是逐字稿。

三者都可以由语言模型从文本里起草，只要守住一条规则就不会跑偏：明确要求引语逐字照录，且不得出现文本里没有的内容。然后用时间轴核对引语。

知情同意与存储

两件事值得在录音键按下之前谈定，而不是之后：

告知对方正在录音，并且音频会交给机器转录。在很多司法辖区，前半句是法律要求；后半句只是坦诚。
清楚音频能存多久。在这里，录音和文本 24 小时后自动删除——足够你取走结果，短到不会留下一个可能泄露的档案。

做需要伦理审查的研究时，这个保留窗口通常正是委员会会追问的那个细节。

用你自己的录音试一试。 注册只需一分钟，免费额度足够判断识别质量。

免费获取 API 密钥

常见问题

一小时的访谈要转录多久？

机器时间几分钟——处理速度快于实时。真正需要预留的精力在之后核对人名、数字和术语上。

逐字稿会标出谁在说话吗？

单个混音录音不会。把参与者录进不同的轨或声道再分别转录，就能免费得到精确的区分。

带口音的说话准确吗？

支持较好的语种里清晰的口语识别得很有把握，包含不少口音。重口音、抢话和背景噪声会降低准确率——所以麦克风的摆放比任何参数都重要。

能拿到引语的时间戳吗？

可以。请求 verbose_json，每个分段都带精确的起止时间，任何一句引语都能在几秒内对着录音核对。

录音会被保存在什么地方吗？

录音和转录文本保留不超过 24 小时，供你取走结果，之后自动删除。