实用教程

Mac 录音怎么整理成逐字稿？本地转写、校对、说话人与 TXT/SRT 导出实测

已有访谈、课程或会议录音，想在 Mac 上整理成逐字稿：先分清逐字稿、会议纪要和字幕，再导入、回放校对、检查说话人标签，最后导出 TXT 或 SRT。附原始结果和错误。

作者 VoxStudio Team, 产品团队 · 2026-10-21 · 11 分钟阅读

你将完成什么

• 先决定要逐字稿、会议纪要还是字幕，三者的产物和检查方式不同。
• 回放校对：专名、数字、漏词要逐条听，不能只看通顺程度。
• 说话人标签只是声音分组；导出 TXT 与 SRT 后分别检查。

录音转逐字稿、会议纪要和字幕，有什么区别？

逐字稿是把录音里说的话尽量原样写下来，保留重复和口误，用于核对原话、引用和后续整理。会议纪要是对内容的归纳：结论、待办和负责人，是在逐字稿之上再做一步。字幕则是带时间码的短句，用于配合音视频播放。本文处理的是第一步：把已有的录音在 Mac 上转成可校对的逐字稿，再按需要导出 TXT 或 SRT。

可以不上传录音完成这一步。Apple 芯片 Mac、macOS 15 或更新版本，提前准备好本地语音模型后，VoxStudio 能导入本地录音并生成可编辑转写。安装、模型下载以及部分账户或可选 AI 操作仍需联网。本文使用官网下载的 7.0.44（130），测试日期为 2026 年 10 月 21 日。

先想清楚要哪种产物

边界先说清：当前版本配置外部 LLM 后会自动尝试生成摘要；本地处理与保存标记不会阻止该请求，关闭翻译也不等于关闭摘要。如果转写文本同样不能离开 Mac，应先完成模型准备，再在阻断网络的状态下完成导入、校对和导出。本次测试只证明被隔离的进程可完成这些操作，不证明正常联网的安装不会发出请求。

测试文件由公开朗读语料拼接而成，不是真实采访或会议，本文也不据此给出准确率。我们是开发 VoxStudio 的产品团队，所有原始结果与错误都放在文末的证据包中。

1. 联网时先准备对应语言的模型

打开 Settings → Local Features，准备输入语言与所需本地功能的模型，等待界面报告已就绪。只选语言不等于模型已下载。磁盘要同时容纳模型、原始录音和导出文件；所需空间随语言与功能变化，以当前 app 显示的容量和准备清单为准，不套用一个固定数字。

本次设备为 Apple M5 MacBook Pro、32 GB 内存，macOS 27.0.1（26A434）。英文使用 Parakeet 引擎，普通话使用 Qwen。模型在测试前已经存在，因此下方耗时不包含首次下载与准备时间。出行前还应查看当前价格页，确认试用或访问资格。

2. 分别确认处理位置和保存位置

本地计算与本地保存是两个独立决定。如果当前账户界面提供这两个选项，都选择 This Mac。本次官网版在未登录的 Local mode 中没有显示位置选择器；我们分别核对会话中的 Processing on This Mac 与 Session stored on This Mac 两个标记，不能用一个标记代替另一个。

离线验证仅对官网测试实例启用 macOS 沙箱，禁止其向外建立网络连接，用户整台电脑的网络保持正常。模型已预先准备，翻译关闭。摘要与 AI 回答属于独立能力；它们可能在离线时失败，也可能在联网时调用外部服务。不要从“语音本地处理”推导出所有 AI 功能都离线。

3. 导入录音，选择语言和说话人选项

打开 Transcribe → Import files → Choose media，选择本地录音并填写容易辨认的标题。在 Input language 中，英文样本选 English，普通话样本选 简体中文。展开 Advanced settings；不需要人物识别时保留 Keep speakers anonymous。要制作字幕，勾选 Segment subtitles；本次关闭 Enable translation。最后点击 Transcribe。

4. 先保存原稿，再回放校对

语音识别完成后，用 Play from this segment 回放对应片段。暂停，点击 Edit text，修改文字后保存。先导出原始结果，再检查专名、数字、标点和漏词。不要因为整句读起来通顺就跳过原声。

本次图形界面的实际修订为：英文给 The French, in return, invited 添加插入语逗号；中文为教授引述添加引号。原始转写和导出文件均保留。中文还出现“讨探讨”“贸易的和”及结尾“问”漏掉“题”等问题，英文 Raoul 仍需进一步修订。下载的修订版是局部校对示例，不是全部纠错完成的定稿；编辑文字稿也不会自动改写字幕。

英文样本把参考稿中的 RAOUL 写成了 Rao，还把 opened before them 写成 opened for them。中文同样需要检查外国人名与标点。FLEURS 参考文本含有括号内的英文拼写，但不一定在录音中被读出，不能为了贴近书面参考稿而把没有说出的文字塞进结果。本篇给出修订对照，不宣称未经计算的准确率。

5. 说话人标签：怎么看，怎么改

多人录音需要知道每段话是谁说的。VoxStudio 会把声音相近的片段归为同一个标签（Speaker 1、Speaker 2……）。这是声音分组，不是身份识别，也不知道谁是受访者。拿到结果后，应回放每个标签的几段话，确认后再改成真实称呼。

我们的普通话测试文件由 11 个片段拼接，来自 4 句不同的话，每句有 2–3 个不同的录音文件（朗读者是否相同，素材未提供标注）。图形界面转写后产生 9 个带标签的段落，共 3 个标签：Speaker 1 有 4 段，Speaker 2 有 4 段，Speaker 3 有 1 段。素材没有逐人标注，所以我们不评价标签对错，只说明它们如何影响稿件。

影响有两点。第一，转写段落不等于说话轮次：Speaker 3 的那一段里包含了“昆达里尼”和“他受到了新加坡副总理……”两句话，它们实际来自不同片段。第二，同一句话在多个录音文件里重复出现，又被归入不同标签，读起来像重复。真实访谈里的类似情形是插话、抢话和短促应答：标签容易错位，需要对照录音拆分或合并。

实用做法：先用一两分钟听感确认每个标签是谁；再给标签重命名；对重叠发言、很短的应答和背景声较大的片段逐条回放；最终稿里如果不需要区分发言人，导出时可以不带标签。涉及引用时，要以回放确认的结果为准。

遇到这些情况，先怀疑标签

• 标签数量不对 — 录音里实际是两个人，却出现三个标签，往往是音量、麦克风或情绪变化造成的。合并后再校对。
• 一段里混着两个人 — 转写段落可能跨越换人的位置。回放这一段，在换人处拆分。
• 短句答非所问 — “嗯”“对”等短促应答最容易被归到错误的人，需要逐条听。
• 不需要区分发言人 — 独白、课程录音可保持匿名，减少错误标签带来的校对量。

6. 导出 TXT 与 SRT：同一份内容，用途不同

点击播放器上方 Export。选择 Transcript → TXT → Original，再按需要决定是否保留说话人标签，点击 Download TXT。TXT 是可读的纯文字，没有时间码，适合复制、引用和继续整理成纪要。用文本编辑器打开，检查中文编码和你改过的字句。

SRT 每条字幕包含序号、起止时间（如 00:00:01,000 --> 00:00:03,000）、正文和空行，用于播放器或视频编辑器。关键是字幕要先分段。同一个文件，我们关闭 Segment subtitles 再转写一次并导出 SRT：9 条字幕，最长一条持续 21.3 秒，里面还包含了两个片段的句子，不适合直接当字幕。开启分段后，图形界面导出 20 条，最长 7.3 秒。

同一段普通话录音的 SRT 对比

用文本编辑器打开 SRT，检查序号、时间格式和空行。把字幕与同一个未裁剪的源文件载入播放器或编辑器，检查开头、中间和结尾。网页播放器可能要求以 WEBVTT 开头、毫秒用小数点的 VTT。导出 SRT 不等于已经把字幕烧录进视频成片。修改文字稿也不会自动改写字幕，两者要分别核对。

离线测试结果与测量范围

本机语音处理耗时

耗时来自官网可执行文件内置的离线实验入口，调用本地语音处理管线，并禁止外网连接；不包含模型下载、人工校对、图形界面导入、字幕生成或导出。英文在后三次之前还有一次 2.47 秒的预热。“首次测得”不代表操作系统缓存一定为空。图形界面操作另行验证。清晰朗读、中文重复句子和本机缓存都会影响结果，不能将其外推为所有录音的速度，也没有据此做竞品比较或准确率承诺。

常见失败怎样排查

先检查这些具体原因

• 模型没有准备好 — 联网进入 Local Features，准备所选语言，确认就绪后重试。模型下载失败不等于转写结果差。
• 空结果或语言错误 — 先听原文件是否有人声，再选匹配的输入语言。音乐、噪声和静音不适合作为正常语音测试。
• 同样的错误反复出现 — 我们对同一文件重跑，“讨探讨”“贸易的和”再次出现，说明这是模型对该文件的稳定偏差，需要人工改，不能指望重跑消除。
• 字幕太长或不同步 — 检查字幕分段、开头静音与源文件是否被裁剪。文字修改与时间轴校对需要分别完成。
• AI 步骤在离线时失败 — 先完成本地转写。摘要、翻译与问答有不同依赖，联网使用前核对其提供方及内容去向。

常见问题

逐字稿和会议纪要有什么区别？

逐字稿尽量原样记录说话内容，用于核对和引用；会议纪要是归纳后的结论与待办。VoxStudio 的本地转写产出逐字稿，纪要需要额外的摘要步骤，配置外部 LLM 时文字会发往你选择的服务。

说话人标签等于真实身份吗？

不是。标签是声音分组，需要回放确认后再改成真实称呼；短句、插话和重叠发言最容易出错。

所有步骤都可以离线吗？

模型下载、账户操作与部分可选 AI 能力需要联网。本篇只验证已准备模型的本地语音路径，记录中明确区分处理耗时和界面流程。

SRT 可以直接当视频成片使用吗？

SRT 是带时间码的文字文件，需要播放器或视频编辑器加载。要得到带烧录字幕的视频，继续进入视频编辑器检查并导出。

相关 Mac 功能

• Mac 离线录音转文字

  使用本地语音模型转写音频和视频，回放校对，再导出 TXT、SRT 或 VTT。支持 Apple 芯片与 macOS 15 或更新版本。

用一段自己的录音开始

先准备模型，用非敏感短文件确认流程，再处理较长录音。试用与价格以当前页面为准。 下载 Mac 版 · 查看价格与试用（英文）

VoxStudio Team — 我们开发 VoxStudio。本指南公开实际操作、测试范围和可复现的文件；不以单一样本代表所有录音的效果。

继续阅读

• Add Captions on Mac Without Repeating the Work（英文）
• One Recording. More Ways to Use It on Mac.（英文）