免费无限制离线使用！阿里巴巴、百度、字节等各大厂商+OpenAI开源语音识别

凯恩的同学

阅读后需要

15

分钟

速读仅需8分钟

关于语音转文字的话题，Kyon 几年前就已经讨论过。

除了许多工具的失败之外，现在还出现了新的工具。 另外大家也经常问到免费无限制离线使用！阿里巴巴、百度、字节等各大厂商+OpenAI开源语音识别，阿旭自己也有这个需求（经常需要帮妈妈把视频转成文字，方便她学习），所以今天就打算这么做。 让我们研究一下 2023 年的语音转文本解决方案。

虽然说是语音转文本，但其实视频转文本也可以归入同样的问题场景——毕竟你可以很容易地找到将视频转换为音频的软件。

阿旭很早就推荐过（点击查看）

另外，视频字幕生成其实可以归为同一类问题（有时间线），不过这个问题更有可能是视频制作者需要的（点击查看），这里就不多说了。

在这篇文章中，阿旭要重新介绍一下2023年值得推荐的语音识别工具（由提供服务的厂商介绍）

最重要的各平台识别质量对比请见文末。

网易

1.1

网易看外面（网页）

地址：

网易剑外是网易人工智能事业部旗下的AI视频翻译产品。 在阿旭的印象中，这似乎是国内最早推出的此类服务之一。

至于天地良心，从2017年9月上线到现在，这个平台一直都是免费的！虽然期间有传言平台会下线百度英语转语音在线版，但实际上至今仍然可以正常使用。

您只需登录网易账号即可享受平台多项“AI智能转录”服务。 从最初的视频翻译，到现在支持视频转录、字幕翻译、文档翻译、语音翻译、语音翻译。 转录、会议同声传译、图片翻译8大功能

如果我们需要将视频或音频转换为文本，那么我们就需要使用“语音转录”功能

一次仅允许大小 <500M、mp3、wav 和 aac 格式的音频文件。 支持中文或英文。 另外，据悉每天上传的音频文件不能超过2小时。

阿旭测试了一段4分多钟的音频，不到1分钟就转录完毕。 转录后百度英语转语音在线版，您可以在线预览：随着音频播放，相应的句子将加粗并突出显示。

如果您发现整个文档中有些单词音译错误，您还可以点击顶部进行“词汇替换”，这里还可以进行“模态粒子过滤”。

确认没有问题后，最后可以在右上角导出为Word文件。 使用起来可以说是相当方便简单。

1.2

有道云笔记（Android/iOS）

地址：

这里不得不说，网易在语音识别领域其实是非常良心的。 除了网易的完全免费的应用程序之外，其有道云笔记的实时语音识别也是完全免费的。

如果您需要一边录音一边转录，有道云笔记可能是一个非常好的选择。 只需登录有道云笔记，点击语音速记»，然后点击翻译即可。

识别完成后，可以将识别结果导出为文本注释（保存的文本，基本类似于TXT）

腾讯

2.1

腾讯云语音识别（网页/微信小程序）

地址：

除了网易之外，腾讯其实也提供语音识别体验服务。 打开上述链接，点击“立即使用”并登录您的腾讯云账号。

目前免费额度还是比较良心的。 它不仅支持上传录音文件，还支持实时语音识别。 对于个人偶尔使用，我觉得这个每月额度是完全够用的（不够的话可以多个账户）

计费规则可能会发生变化。 最新的计费说明请参见官方文档：

找到功能体验后，我们就可以上传文件进行识别。 目前识别语言支持普通话、粤语、上海话、英语、日语，而且很强大的一点是支持说话人分离，即音频中如果有多个人说话，就会自动区分！

您可以选择特定的识别结果是否需要时间戳。 导出的识别结果为txt文件。

扫描网页二维码后，即可在手机微信小程序上进行实时语音识别（每月5小时）

2.2

Tern，字幕翻译助手（Win/Mac）

GitHub地址：

如果您访问Github遇到困难，建议了解一下

除了上面提到的从网页使用腾讯云语音识别之外，我们还可以使用开源软件字幕助手来拨打电话。 使用起来并不困难。 只需将文件拖入其中并单击即可开始识别。

当然，使用前需要进行一些复杂的参数配置。 由于软件提供了详细的步骤英语培训，这里不再赘述。

其实从下图可以看到，我们还可以配置阿里云、科大讯飞、IBM等服务商的语音识别服务。 不过除了阿里云、腾讯、IBM之外，其他服务都是收费的，而且IBM注册配置有点麻烦。 中文的认可度肯定不如国内的服务商，阿旭不推荐。

阿里巴巴

3.1

Videosrt(Win)

GitHub地址：

如果您访问Github遇到困难，建议了解一下

VideoSrt，一个开源、免费的软件，其实在上一篇文章中已经介绍过。 通过这个软件，我们几乎可以免费使用阿里云的语音识别引擎。 个人每天有2小时的自由言论识别配额。

计费规则可能会发生变化。 最新的计费说明请参见官方文档：

只是这个软件的使用步骤比较繁琐。 我们需要先手动申请阿里云的相关API，然后配置软件才可以使用。

作者针对具体API的应用和配置做了一个10分钟超详细的视频教程，这里不再赘述：

▲扫描二维码查看

总之，当你花了很多时间配置OSS和语音识别引擎的参数后，你就可以轻松使用该软件了。

字节跳动

4.1

飞书妙计（全平台）

地址：

飞书妙机是新互联网巨头字节跳动（抖音背后的公司）近年来的产品。 也非常有良心，完全自由。

使用方法极其简单。 注册并登录后，您可以直接上传音频或视频进行识别和转换。 目前支持普通话、英语和日语。

支持不同说话人的识别，并可自动添加标点符号和章节段。 识别完成后，可在网页右上角导出为TXT或SRT格式。

除了网页之外，在飞书APP上搜索并安装飞书妙记APP后，还可以在手机端快速录音进行识别（录音时会实时显示转写结果）

4.2

屏幕截图（Win/Android/iOS）

那我们就来说说上一篇文章介绍过的剪辑——这其实是抖音的一个产品。

由于与飞书妙吉的产品线不同，一是辅助会议记录，二是降低用户发布抖音的门槛，所以决定未来两款产品的收费机制可能会有所不同（剪辑可能会继续免费，毕竟它已经区分了普通版和专业版）

以前需要将音频和视频传输到手机APP上进行字幕生成，但现在在Windows版本的视频剪辑上也可以进行操作（根据实际测试，网页上还无法进行此操作）版本）：

使用方法也非常简单。 打开软件点击»开始创建，将音视频文件拖入素材库»然后将音视频拖入编辑轨道。

然后切换到文字功能，点击智能字幕，再点击开始识别即可轻松进行语音识别（最长2小时百度英语转语音在线版，无限制使用）

转换完成后我们可以在右上角导出。 您只能将字幕文件另存为 TXT 或 SRT 文件。

冲洗

5.1

岳麓（网页/Android/iOS）

地址：

岳麓是阿旭早在几年前就推荐过的一款免费的AI语音转文字工具。 它实际上是浙江和信通华顺网络信息股份有限公司（成立于1995年，2009年在深交所上市，是中国第一家互联网金融信息服务行业上市公司产品）的产品。 ）

至今，每天仍可免费转换3小时普通话，并拥有200小时音频云存储空间（相当于云盘）。 另外，网站和APP支持wav、m4a、aac、mp3、amr、wma等音频格式的导入。 以及mp4、3GP、mkv、flv、mov、wmv、mxf、avi等视频格式（单个音视频文件限制<500M）

同时支持区分说话人，还对金融、科技等领域的音频提供进一步的识别支持，支持提前输入音视频中的关键词，提高识别准确率。

识别后可以在线查看，导出为word或txt，可以选择是否包含时间戳。

虽然不支持实时语音识别，但通过APP录音后可以快速识别并转换。

百度

6.1

百度PaddleSpeech (Win)

地址：

既然网易、腾讯都推出了，那么人工智能怎么能少了国内最先在这一领域发力的百度呢？

早在2017年5月，百度飞片就开源了其语音方向模型库——PaddleSpeech。

模型库有什么用？学过的朋友应该明白，AI之所以能理解人类的意思，其实就是通过不断喂数据+重复匹配来提高匹配率——AI语音识别也是如此。

简单来说，按照百度飞桨官方文档搭建运行环境、安装依赖、下载模型库、编译源码后百度英语转语音在线版，我们就可以在本地和离线进行语言识别了——但这对于90%的人来说自然太难了的人。 知道了

公众号@万能君的软件库开发了一款基于PaddleSpeech的普通人一键即可使用的语音转文字工具。 最重要的是可以离线无限次使用！

考虑到兼容性，目前版本只支持CPU转换，所以速度确实比较慢⚠️（测试R5-3600 CPU的一分钟音频转换时间为30s，而测试RTX 2060显卡只需要3s），并且只支持Windows 64位系统

但该软件考虑到硬件的差异，对音频进行了分段（每段1分钟长），所以会影响一些句子的识别。

最终转换结果会自动以txt文件保存在软件目录的“音频转换结果”文件夹中。

您可以从原作者的公众号下载该软件。 阿旭也将其移了过来，以防失败。 在阿旭公众号后台发送以下关键词即可获得不限速下载地址：

”

语音转文字

”

开放人工智能

大家都知道它是OpenAI训练的大型语言模型，但它训练的模型其实远不止于此。

去年年底，OpenAI开源了其大规模语音识别模型——Whipser，该模型在68万小时的多语言（99种）数据上进行了训练：

在当今综合性的离线语音识别工具中，他应该是目前最好的选择！

当然，我们不能只使用预训练的模型，而且OpenAI官方的部署和操作方法对于大多数人来说过于复杂。 幸运的是，开发人员已经为普通人开发了具有界面的软件。 您只需下载软件+导入Whipser模型即可使用

为了满足不同的语音转录需求英语，Whipser一共推出了5种型号：tiny、base、small、medium、large。 您的计算机可以运行哪种型号取决于显卡的性能。

同时，为了方便理解，下面的相对速度以秒为单位表示（不代表实际时间）。 相同硬件条件下，处理音频所需时间

模型大小所需的视频内存的相对速度

微小的

39M

〜1GB

32秒

根据

74米

〜1GB

16秒

小的

244米

〜2GB

6秒

中等的

769米

〜5GB

2秒

大的

1550M

〜10GB

1秒

由于Whisper的中文数据较少，如果转录的音频是中文的，那么至少要使用媒介模型来保证大部分是正确的。

7.1

Whisper桌面版(Win)

GitHub地址：

如果您访问Github遇到困难英语，建议了解一下

下载WhisperDesktop后，将Whipser模型文件放入软件的模型文件夹中。 当您运行该软件时，系统会要求您首先选择型号。 无论如何，这取决于您计算机的性能。 如果你能跑大，那就大。 如果没有，就中、小……继续往下（当然，如果你的音频太长，你就要自己考虑处理时间了）

不过，由于WhisperDesktop支持GPU硬解码，因此转录速度还是很快的。 阿旭测试了4分多钟的音频，使用的是medium模型，几十秒就处理完成了。