将整理好的文字稿转为带真实时间戳的SRT文件
如果你的访谈、播客或讲座已经有了文字稿（无论是人工记录还是转写服务生成的），现在只缺时间轴。上传录音和文字稿，系统会原字原样生成带精准时间戳的 SRT 和 VTT 字幕，连说话人标识也会完整保留。最长 10 分钟的录音完全免费；更长录音一次付费仅需 $5，最长支持 6 小时。
文字稿已在手，只缺时间轴
一份经过人工仔细校对的文字稿弥足珍贵，不该被轻易废弃。如果仅仅为了生成 SRT 就把音频重新转写一遍，等于前功尽弃：专有名词又会被拼错，之前的修正全部丢失，你还得再从头校对一遍。本工具完整保留原有文本，仅为其匹配时间轴。语音识别负责定位录音中每个词的发音时刻，算法程序则将你的文字稿与这些发音精准匹配。
纯文本没有时间轴，播放器根本无法直接调用；即便每隔几分钟标有一个时间戳也远远不够，因为字幕需要精确到每隔几秒语音的起始与结束时间。
如何准备文字稿
- 建议每行一段或每行一个说话人发言；你的换行符将作为字幕的分句切分点
- 说话人标签会完整保留在字幕中（例如“Dr. Patel:”会显示在屏幕上）；如果只想显示台词，请在上传前先将其删掉
- 文本中原有的时间戳（如 [00:14:02]）会被视为普通文字，建议提前删除，否则会直接出现在字幕里
- 像 [inaudible]（听不清）或 [crosstalk]（抢话）这类的标注会原样保留在对应字幕位置
- 文字稿中存在但录音里已被剪掉的段落请先删除，否则没有对应的声音可供对齐时间
当录音发音与文字稿存在差异时
书面化整理后的文字稿往往会省去“嗯、啊”等语气词、口误以及重复字词。这不会造成任何问题：录音中出现但文字稿中没有的词会自动跳过，你的精简文本依然会在正确位置对齐。当识别引擎听到“twenty-five”而你写的是“25”，或是某些含糊不清的词未能识别时，系统会参考上下文词语的时间来进行定位。
多人同时说话、抢话，或者嘉宾离麦克风太远，可能会导致字幕起止时间略有微偏。对于阿姆哈拉语、提格利尼亚语、索马里语、达里语、库尔德语、缅甸语和普什图语，时间轴由通用 AI 模型生成，精度会稍逊一筹。
带时间轴的文字稿适用于哪些场景
- 播客视频版（播客配图/录像）的字幕制作
- 课程平台上录播课或网络研讨会的字幕生成
- 视频剪辑中的访谈素材，让每句回答都精准落在剪辑时间线上
- 为数月前就已整理好文字稿的演讲快速补全无障碍字幕
工具的工作方式、费用以及文件处理方式,请见 文稿音频对齐 页面;所有工具的价格请见 价格 页面。
最后更新于
常见问题
ChatGPT 可以给我的文字稿添加时间戳吗？
ChatGPT 确实可以把文本排成 SRT 格式，并在你要求时填入时间。但因为它根本听不到录音，这些时间戳只能是均分或凭空猜测；对于长达一小时的访谈，越往后偏差就越大。而且遇到长文本时，它往往还会擅自删减或合并行。而在这里，时间完全由音频实际发音精准计算得出，文字内容分毫不改。
字幕中会显示说话人姓名吗？
会，只要你的文本里有，系统就会原样保留这些标签。如果你只想在屏幕上显示台词，请在上传前先将其删掉。
我的文字稿去掉了语气词和口误，会有影响吗？
没有影响。录音中有多余声音但文本里没有的部分会被自动略过，系统会依据相邻词汇为清理后的句子精准对齐时间。
可以上传哪些格式的文字稿？
可以直接粘贴文本，也可以上传 TXT 或 DOCX 文件。如果你已有字幕文件，系统也支持读取 SRT、VTT、ASS、SBV 和 LRC，并保留其原有的字幕分段结构。
文字稿对齐时间轴收费多少？
录音最长 10 分钟完全免费。超出部分一次付费 $5，最长支持 6 小时。每周 $19 的无限版单个任务最长支持 12 小时。
谁能看到我的文字稿？
只有你自己。你的文件仅发送给 AI 模型服务商进行处理，不会用于训练模型。无需注册创建的任务将在 7 天后自动删除，你也可以随时手动删除任务。