音频转文字

语言、翻译和文字细节

AI 模型

默认 Gemini 3.5 Flash Lite · fast；Gemini 3.6 Flash · advanced 是较大的 Google 模型。两者可按要求翻译、添加时间标记和发言者编号。Experimental 使用 Z.ai 的 GLM-ASR，适合最长 30 秒的短语音。

音频语言

默认 自动检测。可选英文、西班牙语、法语、德语、意大利语、葡萄牙语、俄语、日语、中文、阿拉伯语。短片段、较重口音或包含大量专名时，可明确指定语言；列表没有的语言保留自动检测。

翻译为（可选）

默认保留原语言。目标语言可选英文、西班牙语、法语、德语、意大利语、葡萄牙语、俄语、日语、中文、阿拉伯语、印地语、韩语、荷兰语、波兰语、土耳其语。模型在一次任务中识别并翻译，只返回译文，保留发言者编号。需要原文和译文时，分别运行两次。

包括时间戳

默认关闭。打开后，文字按间隔加入 [00:01:23] 这类“时:分:秒”标记，各标记另起一行。时间由模型推断，适合找回录音中的段落，不代表精确字幕时序。需要字幕文件可用 视频转字幕。关闭时，结果按便于阅读的段落排列。

识别不同的发言者

默认关闭。打开后用 Speaker 1:、Speaker 2: 等编号区分声音，换人时另起一行。与时间戳同时启用时，行首如 [00:04:10] Speaker 2: …。识别前音频会合为单声道，不能依靠左右声道分辨人物；导出后可用编辑器查找替换，把编号改成姓名。