Option 01
ffmpeg + Whisper
免費、本地、操作繁瑣。你擁有整個流程及其每個漏洞。
需要CLI + 10 GB 模型 + GPU
講者區分另外的工具 (pyannote)
SRT 輸出是的，手動標誌
1 小時 MP4 的時間CPU 上 20–90 分鐘
多軌音頻你選擇流
成本$0 + 你的硬體
Best for已在本地執行 Whisper 且不介意在上面縫接區分的工程師。
將 MP4 視頻轉錄為文字。自動提取音頻。
直接放入 MP4 文件 — 我們在伺服器端提取音頻軌道，返回帶時間戳的��字稿，並提供可直接拖入 YouTube、Vimeo 或你的 NLE 的 SRT。
↓ 看看生成的內容
MP4 進來。 文字稿 + SRT 出去。
MP4 是容器 — 我們直接讀取音頻流，從不重新編碼視頻。時間戳在原始時間軸上保持幀精確，所以 SRT 在首次匯入時完全對齐。
training-module-04.mp4
自動偵測 en-USAAC 48 kHz 立體聲 · 192 kbps
~90s
文字稿 · 串流中
S1
好的，在這個模組中，我們要逐一走過退款工作流程。
S2
開始前快速提問 — 這也適用於部分退款嗎？
S1
好問題。部分退款使用相同的畫面，但是用不同的理由代碼。
S2
明白了。核准門檻仍然是 200 美元嗎？
清晰對話時 95% 準確SRT · VTT · DOCX · TXT · JSON
↓ This is the dashboard
This is what loads when the job finishes.
Same layout as the real dashboard — Summary, full Transcript, Speakers tab, Exports. Key points and action items extracted automatically. Auto-tags on every job.
摘要 5逐字稿 1,420講者 2匯出
Founders need post-call content, not just transcripts. Tools force them to stitch 5 apps together.
Sample preview from a founder interview about post-call workflow. Real transcripts look exactly like this — same tabs, same summary block, same key-points / action-items split, same auto-tag chips.
重點摘要
Gap exists between raw recordings and shippable content — tools stop at transcript.
Show notes, social clips, blog drafts all expected by call's end, not next-day.
Current tooling fragmented across 5 apps — no single pipeline.
Conversion-rate signal flipped a buyer-segment assumption at week 3.
40% of original hypothesis survived — the shape held, mechanics rebuilt.
待辦事項
Speaker 1Investigate single-pipeline approach to replace 5-app stitch.
Speaker 2Mock how show-notes draft could flow from the transcript.
Speaker 2Pull conversion-rate by segment, Monday EOD.
Speaker 1Map the 5-app stitch & list which steps actually need a human.
三個真實選項 · 誠實比較
用 ffmpeg 自己來。視頻編輯器。 或者我們。
你可以自己提取音頻並執行 Whisper。你可以把 MP4 拖到 Descript 或 VEED 裡面，並待在他們的編輯器中。或者你可以把文件放在這裡，得到文字稿 + SRT，不受編輯器綁定。
Option 02
Transcription.Solutions
放入 MP4。音頻提取、講者區分、SRT、摘要 — 單次完成。
需要瀏覽器，就這樣
講者區分內建，每項工作都有
SRT 輸出幀對齐至來源
1 小時 MP4 的時間約 4 分鐘，串流
多軌音頻我們列出所有流
成本 · 每分鐘$0.03
Best for任何有 MP4 的人，想要文字和 SRT，而無需學習視頻編輯器或 CLI。
Option 03
Descript / VEED
將 MP4 載入編輯器。文字稿作為時間軸 UI 的一部分出現。
需要帳戶 + 編輯器學習曲線
講者區分是的，EN 調整
SRT 輸出由方案限制匯出
上���上限5 GB (Descript 免費)
多軌音頻僅第一軌
成本$12–24/使用者/月
Best for想要在同一工具中剪輯視頻和文字稿的編輯者。
定價和功能上限約為 2026 年。Descript 和 VEED 方案名稱經常變化 — 查看他們的網站了解當前限制。
MP4 特有
咬人的三件事。 通用轉錄工具
MP4 是容器，不是編碼器 — 大多數轉錄工具把它當成一個大音頻塊。那就是漏洞的來源。
什麼容易出錯
- 1多軌 MP4 搭配吊桿 + 領夾。通用工具抓取軌道 1，忽略其他的，所以你失去了更乾淨的麥克風。FCP 和 Premiere 匯出中很常見。
- 2部落格和廣告中的背景音樂觸發虛假詞。識別器試圖轉錄音樂床上的人聲。
- 3SRT 時間戳漂移當工具在進程中重新編碼視頻時。到第 40 分鐘，標題已偏離 1 秒。
這裡要翻轉什麼
- 1上傳 — 我們探查每個音頻流並讓你選擇要轉錄的流。預設為最高比特率軌道。
- 2在工作表單上打開音樂抑制。我們在語音 VAD 上限制識別器，所以樂器部分保持空白。
- 3我們永不重新編碼視頻。音頻以原生採樣率提取，時間戳參考容器的編輯列表 — SRT 幀精確對齐。
MP4 的推薦���作設定
放入 MP4，這些預設會打開。每項工作從表單中覆蓋。
- 音頻提取
- 原生採樣率，無重新編碼
- 軌道選擇
- 最高比特率流
- 講者區分
- 聲學 · 1-6 講者
- 音樂抑制
- 對部落客/廣告預設打開
- SRT 格式
- ≤42 字元/行，最多 2 行
- 匯出
- SRT · VTT · DOCX · 帶時間戳的 TXT
Accuracy · real-world numbers
清晰錄製時 95%。 當音頻出現問題時的誠實數字。
MP4 準確度由麥克風決定，不是編碼器。安靜攝影棚中的領夾麥克風打敗配備車載音頻的 4K 攝像機每一次。下面的數字來自真實客戶的 MP4，按捕捉音頻的內容分類。
96%+
攝影棚錄製，領夾或槍式麥克風
領夾或吊桿進入錄音機，48 kHz AAC 192+ kbps，處理過的房��。極限情況。在雙人錄製時講者標籤完美。
93%
DSLR 搭配機頂槍式麥克風
機頂麥克風距離講者 2-4 英尺。有些房間音但語音清晰。大多數 YouTube 創作者影片都在這一類。
89%
螢幕錄製加 USB 麥克風
OBS、Loom、Camtasia 匯出。麥克風很近但房間未處理，通常有系統音頻洩漏。對於教程文字稿來說相當不錯。
84%
手機拍攝的部落客視頻，內置麥克風
內置手機麥克風，有風聲或處理雜音，距離因鏡頭而異。詞語可用，每分鐘預期 1-2 處專有名詞修正。
常見問題
的 8 件事。 關於 MP4 轉錄
01你會重新編碼我的視頻嗎？+
不會。我們只從 MP4 容器中讀出音頻流。視頻流永遠不會被觸碰、永遠不會重新編碼，作業完成後也不會儲存 — 你保持原始文件不變。
02MP4 內支援哪些編碼器？+
標準 H.264 + AAC 是簡單��況。我們也處理 HEVC/H.265、MP4 中的 ProRes，以及 MP3、Opus、ALAC 或 PCM 中的音頻。如果 ffmpeg 可以探查，我們就可以轉錄。
03文件大小上限是多少？+
網路上傳器每次上傳 10 GB，API 透過可繼續上傳區塊支援 50 GB。典型的 1 小時 1080p MP4 是 1-3 GB，所以大多數文件不需要考慮網路路徑。
04SRT 會與我的原始視頻對齐嗎？+
會的 — 時間戳參考 MP4 的編輯列表和原生採樣率。我們不重新編碼，所以沒有漂移。把 SRT 放在任何播放器或 NLE 中的 MP4 旁邊，字幕在首次載入時同步。
05我可以把字幕烙進視頻嗎？+
不在我們這邊 — 我們輸出 SRT，並把烙印留給你的編輯器。ffmpeg 單行、HandBrake、Premiere、DaVinci、Kapwing 都接受我們生成的 SRT。我們也不想成為編碼工具。
06MOV、MKV、M4V、WebM 怎樣？+
都透過相同的管道支援。MOV 尤其是 — 相同的 MPEG-4 家族，相同的提取路徑。帶有多個音頻軌道的 MKV 獲得與多軌 MP4 相同的流選擇器 UI。
07我能只是傳送 YouTube 或 Vimeo URL 嗎？+
針對 YouTube 支援 — 在上傳畫面貼上公開 URL，我們直接擷取音頻，無需下載 MP4。Vimeo 需要直接文件或簽署的下載連結，因為他們的播放器限制了流。
08如果沒有語音對話，只有音樂或素材怎樣？+
VAD 偵測無聲和純音樂段落並跳過，所以你不會為環境音頻付費。文字稿將這些範圍標記為 `[音樂]` 或 `[無語音]` 而不是編造詞語。