聊天机器人擅长什么
部分AI聊天机器人可以接收音频文件。给它一段两分钟、只有一个清晰人声的语音备忘录，就能得到可用的文字。转写之后的工作也是聊天机器人的强项：拿到文字后，它们可以做摘要、提取待办事项，或改写成一封邮件。如果你的录音很短，只需要了解大意，这样可能就够了。
问题出在哪里
- 上传限制。 支持音频的聊天机器人会限制文件大小和时长，有些则根本不支持音频。长录音往往得切成多段，再逐段上传。
- 文本被缩短。 聊天窗口是用来给出回答的，不是用来一次交出四十页内容的。面对长录音，它往往会压缩内容、跳过一段，或者写到一半就停下。
- 说话人不可靠。 在访谈或会议中，你需要知道谁说了什么。聊天机器人无法稳定标注说话人切换，你只能对照音频逐处核对每次换人。
- 时间戳不可靠。 没有每句话对应的时间，你就没法回到音频里核对一句引语。
- 没有可用的文件。 你得到的是聊天窗口里的文字，而不是可以交给别人的文档。
文本被缩短最难察觉。压缩后的转写读起来很顺畅，所以没有任何迹象提醒你中间缺了十分钟。
为什么会这样
把语音变成文字，需要语音模型，也需要对音频进行实际的处理时间。通用的AI聊天机器人是为回复一条消息而设计的，能接收多少内容、能回写多少内容都有限制。长录音两头都会超出。
输出这一侧很容易被低估。在我们对四个长任务的测试中，翻译一个 85 分钟、1,200 行的字幕文件，每个模型都需要 38,000 到 56,000 个输出 token。一段两小时录音的完整转写，回复长度与此相当。它能否完整地一次送达，取决于应用允许单次回复容纳多少内容。
专门的语音转文字工具则是反过来设计的：它分段处理整个文件，保留每个段落的时间，并把结果保存为可编辑、可导出的文档。
如何自己测试
找一段你熟悉的录音，至少二十分钟，有两个人在交谈。
- 让聊天机器人逐字转写，并带上时间戳。
- 留意它是否接受这次上传。
- 从你记得的靠近结尾处找一句话，在结果中搜索。
- 把字数与粗略估算对比：大多数人每分钟说 130 到 160 个字。
如果结尾处的那句话在，字数也在合理范围内，说明你的录音属于容易处理的情况。如果越到后面文字越稀疏，那你拿到的是摘要，而不是转写。
该用什么替代
用专为长录音打造的工具。我们的长音视频转文字工具会把录音拆成多段，完整转写每一段并附带时间戳，再按顺序拼接。它支持最大 2 GB、最长 6 小时的音频和视频文件，按说话所用的语言逐段写出，还能在每个段落下方添加译文。你可以下载 TXT 或 Word 文件。完成后的示例见演示。
前段免费,无需注册。完整录音 $5,一次付费,无需订阅。无限版每周 $19(按周续费,随时可取消),涵盖网站上的所有工具,每个任务最长支持 12 小时的录音。
如果录音是 WhatsApp 聊天里的语音消息，请改用WhatsApp聊天记录转PDF：它会在对话中语音消息发送的位置转写每一条语音消息。