01
支持 YouTube 等主流平台
支持 YouTube、Vimeo、TikTok、抖音、Bilibili、X、Instagram、Facebook、Twitch 和 Dailymotion 的公开页面。
AI 视频转文字：生成时间戳与字幕
粘贴 YouTube、抖音、Bilibili 等公开视频链接，或上传一个音视频文件，获得可搜索文字、词级时间戳、可选说话人标签和字幕。
AI 视频转文字：生成时间戳与字幕
- 支持 YouTube 等 10 个主流平台
- 精准模式支持说话人标签
- JSON/TXT/SRT/VTT 导出
转写流程支持公开视频平台页面、公开媒体直链和项目上传文件，并复用现有任务、用量计费和项目结果流程。所有处理都在受保护的服务端环境中完成。
支持的来源与转写能力
02
标准转写模式保留词级时间
标准模式自动识别语言并返回词级时间戳，但不会添加无法可靠识别的说话人标签。
03
可选说话人识别
访谈需要区分发言人、保留音频事件或使用关键词引导时，可以选择说话人识别模式。
04
统一结构并直接导出字幕
结果统一为全文、语言、时长、词、段落、说话人和来源信息，并可导出 JSON、TXT、SRT、VTT。
常见转写任务
01
带说话人的访谈稿
为双人访谈保留词级时间和说话人段落，便于剪辑与引用审核。
用精准模式转写这段访谈，并保留说话人标签。
生成项目内可搜索文字稿，并提供 SRT 与 VTT。
02
使用标准模式转写课程
单人课程不需要区分说话人时，使用标准模式生成时间戳文字稿。
使用标准转写模式处理这节课程，并自动识别语言。
生成可搜索、带词级时间且不猜测说话人的文字稿。
对比转写模式、能力与积分
积分按实际转写时长结算。只需根据输出需求选择模式，无需了解底层服务。
01
标准转写：每分钟 10 积分
自动识别语言并生成词级时间戳；此模式不添加说话人标签。
02
说话人识别：每小时 440 积分
支持说话人和音频事件标签；启用关键词引导时每小时 540 积分。
03
用量可审核，产物归项目
结果记录所选模式、实际时长和未支持选项，文字稿与导出链接受原项目权限保护。
从媒体来源到可复用文字稿
一个公开链接或上传文件，会被处理成带时间信息的结构化文字，并可重复下载为多种格式。
01
从链接或媒体文件开始
粘贴公开视频 URL，或上传一个音频/视频文件。沙箱会先下载并标准化媒体，再开始转写。
02
保留时间与文字结构
语音会统一为可搜索全文、带时间的词和可读段落；精准模式还可保留说话人和音频事件。
03
无需重复转写即可导出
完成后的结果可以直接复用为纯文本、结构化 JSON、SRT 字幕或 WebVTT，不会再次执行转写。
适用场景
播客与访谈
为节目笔记、金句、章节和编辑交接生成可审核的说话人文字稿。
课程与直播回放
把录课转成可搜索笔记和字幕文件，用于无障碍与本地化。
研究与用户访谈
在总结主题或提取决策前，先保留带时间戳的原始证据。
使用流程
- 01
添加一个来源
粘贴公开 URL 或上传一个音视频文件；私网和本地地址会被拒绝。
- 02
选择质量与成本
标准模式用于生成时间戳文字；需要说话人或音频事件标签时，选择说话人识别模式。
- 03
使用转写产物
在项目中查看文字稿，并下载 JSON、TXT、SRT 或 VTT。
浏览转写工具
粘贴 YouTube 链接生成带时间戳逐字稿
支持公开 YouTube 视频、Shorts 和直播回放。系统处理视频中的语音，生成可搜索文字、时间戳和可复用字幕文件。
把 MP4 文件转成带时间戳的文字
上传一个不超过 50 MB 的 MP4 或受支持音频文件，把其中的语音转成可搜索文字、词级时间和可复用逐字稿或字幕文件。
把公开 Instagram Reel 转成带时间戳逐字稿
粘贴包含可访问口播音频的公开 Reel 或视频帖子 URL，生成可搜索文字、时间戳和字幕文件，无需重新上传媒体。
把公开 TikTok 视频转成带时间戳逐字稿
粘贴一个公开 TikTok 视频链接，提取可搜索口播文字与时间信息，并直接导出字幕，无需上传视频。
常见问题
支持哪些视频平台？
支持 YouTube、Vimeo、TikTok、抖音、Bilibili、X/Twitter、Instagram、Facebook、Twitch、Dailymotion 的公开页面，以及公开媒体直链和上传文件。
不同转写模式需要多少积分？
标准转写每分钟 10 积分。说话人识别模式每小时 440 积分；启用关键词引导时每小时 540 积分。
最长支持多长的视频，私有 URL 可以用吗？
公开 URL 预处理最长支持 24 小时、最大下载 4 GB，并按 30 分钟分块。私有和局域网 URL 会被拒绝；实际处理限制可能更低。
可以下载字幕和区分说话人吗？
所有结果都可导出 JSON、TXT、SRT 和 VTT。需要说话人和音频事件标签时，请选择说话人识别模式。
让每段录音都能被搜索
从一个 URL 或文件开始，再把文字稿用于字幕、笔记、研究和后续内容。