会议与通话
企业团队
在文字稿之上生成摘要、决策和待办，趁会议记忆犹新就分享出去。
一段录音如何变成文字稿
访谈录音
M4A · 58:12 · 已上传
上传文件、粘贴链接，或直接在浏览器中录音支持 95+ 种语言，付费方案每个文件最多 10 种
文字稿
00:12
我们把上线时间改到六月第一周。
00:47
可以，但定价页必须在那之前定稿。
文字稿
TXT · DOCX · XLSX · Markdown
字幕文件
SRT · VTT
翻译
95+ 种语言
摘要
重点 · 待办事项
提问
直接向文字稿提问
为什么团队把录音交给 Subanana
这不是功能清单，而是决定一份文字稿能否直接使用、无需重听的关键。
一份读得懂的文字稿
- 自动区分说话人每句话都标明是谁说的，自动识别。
- 标点与分段自动恢复标点和段落，读起来是文章，不是一整面文字墙。
- 文字已整理语气词会被清理，意思保持不变。
- 向文字稿提问在编辑器中向录音提问，答案基于实际说过的内容。
准确度靠工程实现，不是口号
- 每种语言选最佳模型持续评测语音模型，每个文件都交给该语言表现最好的模型。
- 幻觉检测可疑输出会被拦截，由另一个引擎重新处理后才交给你。
- 专有名词按你的写法把人名、产品名和行话存入术语表，应用到你的所有项目。
- 先建议，后确认AI 校对会建议修正听错的词；你确认之前不会有任何改动。
谁在这里把语音变成文字
流程相同，差别在交付物：文字稿、会议记录、字幕还是摘要。
视频与播客
内容创作者
一份文字稿生成字幕、节目笔记和金句，每个发布平台都用得上。
访谈
记者与研究人员
引用必须一字不差、标明说话人，而且要赶在截止日期之前完成。
课堂与讲座
学生与教师
长录音自动生成摘要、可搜索，复习直接从重点开始。
逐词时间戳到底是什么
转录引擎可以按不同的颗粒度报告时间。分段级时间给每段语音（通常是一句话或一个短语）标一个起止时间。逐词时间更细：每个词都有自己的起止时间，通常精确到毫秒。这个差别听起来很学术，直到你真正用它来开发。有了分段时间，你只大致知道一句话是什么时候说的；有了逐词时间，你可以让字幕在词出现的瞬间显示，让视频跳到观众搜索的那个词，或者从文字中删掉一个口头语，音频里也随之删掉。据 Google 的发布公告，Gemini 3.5 Transcribe 通过 Interactions API 为预录音频返回带说话人归属的逐词时间戳，实时场景则由单独的流式模式 Live API 提供，延迟低于一秒。
逐词时间能做什么
人们用逐词时间戳做的四件事，每一件都是同一份数据的不同应用。
- 字幕字幕条的边界可以正好落在词的边界上，所以字幕和语音对得很紧。时间戳只是原料，字幕分段（每条放多少词、行长、阅读速度）是你在上面搭建的一层。
- 搜索和剪辑每个词都知道自己在音频里的位置，搜索结果就是跳转的目标。播客应用、讲座存档和视频编辑器用它直接跳到某句话出现的时刻，或者选中文字来剪出片段。
- 边听边高亮卡拉 OK 式的跟读视图，词在说出时亮起，本身就需要逐词时间。无障碍阅读器和语言学习播放器也用同样的机制。
- 基于文字的编辑播客主常用的这类编辑器，让你从文字稿里删掉一句话，录音里也就删掉了。逐词时间正是把文字操作映射回波形的关键。
据 Google 公告的 Gemini 3.5 Transcribe 时间规格
这些是发布资料中的说法，另加任何 API 工作流程都隐含的使用方式。
- 时间颗粒度
- 通过 Interactions API 为预录音频提供逐词时间戳
- 说话人归属
- 最多 3 位说话人的语音归属和时间戳；3 位以上标记为实验性功能
- 语言
- 自动检测 85+ 种语言，包括地区口音和方言
- 流式模式
- 通过 Live API 实现持续双向流式传输，延迟低于一秒
- 公布的准确率
- 据 Google，平均词错误率（WER）：预录音频 2.6%，流式 4.0%
- 使用方式
- Gemini API，密钥来自 Google AI Studio；调用它的应用由你编写
从时间戳到成品，还差什么
逐词时间戳是原料，不是产品。字幕文件需要边界合理的字幕条、观众读得过来的行长，以及不超过眼睛速度的阅读节奏。可用的会议文字稿需要把说话人标签放到可读的段落上，人名写法要一致，还要有办法修改引擎听错的句子。剪辑工作流需要一个同时理解文字和视频的编辑器。如果你在开发应用，这一层就是你的产品，提供逐词时间的 API 正是合适的基础。如果你只需要字幕文件或文字稿，算账的结果就不一样了：你要搭一条只用一次的流程，而现成工具已经在稳定运行这样的流程。
原始时间戳和成品文字稿
API 给你的是食材，Subanana 给你的是做好的菜。底层是同级别的引擎。
| Gemini API 输出：你在上面开发 | Subanana 输出：可以直接用 | |
|---|---|---|
| 最后拿到什么 | 通过 Interactions API 返回的文字及起止时间 | 带时间码和说话人标签的字幕条，在编辑器中打开 |
| 修正引擎听错的内容 | 你自己开发审核工具 | AI 校对建议由你确认，可疑片段还会自动换另一个引擎重跑 |
| 生成字幕文件 | 在代码里完成字幕分段和 SRT 渲染 | 一键生成 SRT 或 VTT，带阅读速度提醒 |
| 生成文档 | 你自己的格式化层 | 导出 TXT、DOCX、XLSX 或 Markdown |
| 向录音提问 | 你自己开发检索功能 | 和文字稿对话，答案来自录音内容 |
这里比较的是两种工作流程，不是两个模型。Subanana 持续评测同级别的前沿引擎，并把每个文件交给在该语言上表现领先的引擎。平均准确率 98%，实际结果受录音清晰度、背景噪音和术语影响；超过 200,000 名用户。
大家常问的问题常见问题
逐词时间戳是按词提供的时间数据：转录引擎为每个词返回开始和结束时间，而不是每句话只有一个时间码。有了它，可以做到字幕紧贴语音、搜索跳到某个词说出的时刻，以及通过编辑文字来编辑视频。
支持。Google 的发布公告把带说话人归属的逐词时间戳列为预录音频通过 Interactions API 提供的能力。实时流式由 Live API 单独提供，延迟低于一秒。
分段时间给每段语音（通常是一句话或一个短语）一个起止时间。逐词时间给每个词一个起止时间，通常精确到毫秒，足以在说话时高亮词语，或者通过删除文字来剪辑音频。
把词分组成字幕条，决定每条的起止时间、每行放多少字符、观众能读多快，再渲染成 SRT 时间码格式。这套分段逻辑要么写代码自己调，要么交给字幕工具：Subanana 返回的文字稿已经分成可编辑的字幕条，一键就能导出 SRT 或 VTT。
据 Google 公告，模型可以在预录音频中为最多 3 位说话人标注语音归属和时间戳，超过 3 位仍属实验性功能。
Google 公布的平均词错误率（WER）是：预录音频 2.6%，流式 4.0%。WER 指转录错误的词所占的比例，越低越好。任何引擎的结果都会随音频质量、噪音和术语变化。
不一定。字幕是由字幕条组成的，分段级时间也能做出好字幕。逐词时间提供更细的控制：字幕条边界正好落在词边界上、逐词高亮、精确剪辑片段。对字幕质量影响最大的，是在时间数据之上的分段和阅读速度逻辑。
可以。把音频或视频上传到 Subanana，或者粘贴公开的 YouTube、Instagram 链接，文字稿会分成带时间码和说话人标签的字幕条，可以直接编辑，再导出 SRT、VTT、TXT、DOCX、XLSX 或 Markdown。免费账号可以预览每个文件前 15 分钟，每月 3 个文件；导出文件是付费方案的功能。
更新于 2026-11-01