音频输入校验
audio-to-text 模型可以声明必需音频数量、允许格式、最大文件大小和最长录音时长。
直接在 Img2Vid 中完成 AI 视频草稿。选择兼容模型，查看价格和套餐资格，然后在同一工作区生成。
快速、私密的语音转文字
上传录音，选择当前可用的转写模型，将语音转换为可复制、可下载的文本。Img2Vid 会根据模型配置展示真实的格式、语言和转写参数，并强制文本结果保持私有。
音频上传私密转写复制或下载模型配置驱动
AI 音频转写
把录音内容转换为可用文本
语音转文字会把音频中的口语转换为书面内容。真正有用的转写结果不仅要能生成，还要便于审阅、复制、下载，并按照源录音的敏感程度妥善处理。Img2Vid 提供配置驱动的音频上传、模型参数、私有任务历史和标准化文本输出。
上传源音频
使用模型支持的录音格式，并遵守后台配置的文件大小、时长和文件数量限制。
选择合适的模型
选择已启用的 audio-to-text 模型，并在模型支持时设置语言、说话人分离、时间戳或格式参数。
审阅转写文本
重点核对姓名、数字、口音、专业术语、多人重叠说话和噪音片段。
复制或下载
把结果复制到其他工作流，或下载 UTF-8 文本文件，同时在私有历史中保留任务上下文。
能力
完全跟随所选模型的转写界面
不同语音识别供应商支持的输入限制和输出能力并不相同。Img2Vid 从模型配置中读取这些差异，而不是把某一家供应商的假设硬编码到整个页面。
语言控制
部分模型支持显式语言或地区设置，另一些模型会自动识别语言，因此不会出现不真实的手动选项。
模型专属参数
说话人分离、时间戳、标点、翻译、词汇提示和输出格式只会在模型明确声明时展示。
标准文本结果
供应商响应会被标准化为 text artifact 和稳定的 transcript 结果，同时服务端仍保留原始响应用于任务处理。
支持工作流传递
文本结果可以通过 workflow 的 text 端口继续交给摘要、分析或其他兼容节点，不会被错误识别为图片。
支持 API 消费
公开生成结果协议包含 text artifact 与 texts 数组，API 客户端无需解析页面 HTML 即可获得转写内容。
工作流
从源录音到审核后的转写文本
可靠的语音转文字流程从清晰、合法的源音频开始，以人工审阅结束。模型输出应被视为高质量草稿，而不是无需核实的原始记录。
- Step 01
准备录音
尽量使用声音清晰、音量稳定、背景噪音较少的完整文件，并确认你有权处理该录音。
- Step 02
上传并配置
选择转写模型、添加音频，并设置它真正支持的语言、说话人或时间戳选项。
- Step 03
生成转写文本
提交任务后，Img2Vid 会把供应商结果标准化为可显示、复制、下载和供工作流消费的文本 artifact。
- Step 04
对照音频审核
把关键段落与录音进行比对，修正姓名、数字、行业术语、说话人归属和不确定片段。
使用场景
语音转文字能在哪些工作中节省时间
当口头信息需要被搜索、编辑、审核或交给其他系统时，转写就有价值。应根据错误后果选择模型和人工复核深度。
会议与访谈
把讨论、用户访谈、客户电话和内部简报转换为可审阅记录，再提取决策、问题和主题。
播客与视频
把节目和视频口语转换为文字，用于剪辑备注、摘要、字幕、描述和内容再创作。
研究与现场笔记
把口述观察和录音会话转换为可标记、可搜索、可比较的研究资料。
客户服务复盘
在遵守同意、保留和访问控制要求的前提下，为质量审核、问题分类和培训生成文本。
课程与培训笔记
从教学录音生成初稿，并在向学习者分享前核对术语、结构和关键信息。
无障碍内容
把经过审核的转写作为字幕、可搜索替代内容和口语材料文字版本的起点。
隐私与准确性
把录音和转写文本视为敏感数据
语音可能包含个人、商业、受监管或其他敏感信息。Img2Vid 会在服务端强制文本输出任务保持私有，但团队仍需正确选择源材料、供应商、保留规则和访问权限。
默认且强制私有
语音转文字结果不能通过生成器或任务可见性接口设为公开，因此不会进入 Explore 公共作品流。
只处理获得许可的录音
上传包含他人声音的会议、电话、访谈或课堂录音前，应确认同意和合法处理权限。
核实高风险信息
法律、医疗、金融、安全或合规场景不能只依赖自动转写，关键内容必须回听原始录音。
减少不必要的数据
只上传任务需要的片段，避免包含无关敏感内容，并遵守供应商及组织自身的数据保留要求。
常见问题
语音转文字常见问题
关于音频格式、准确性、隐私、模型配置、文本结果与 API 使用的常见问题。