要可靠地用 AI 转写音频，先确认录制和处理获得许可，保存不可变母带，再生成带时间、说话人和低置信标记的草稿。必须对照音频校正文稿后再做摘要，并从校正版生成字幕 cue，最后检查准确、同步、完整、位置与可读性。

顺序不能颠倒。错误转写生成的流畅摘要会隐藏原错，时间准确的字幕也可能错误表达讲话。NIST 指出生成式 AI 可能虚构内容，风险控制需要记录与人工监督。［4］把每个阶段视为一次有输入、输出、审阅者和验收规则的转换。

关键要点

上传前确认同意、权限、目的和保留期。

保存只读母带，只在受控副本上处理。

保留时间码、说话人和低置信标记。

校正转写后才允许生成摘要。

字幕必须从校正文稿创建。

在实际播放器中从头到尾审阅成品。

若任务是从会议中提取负责人和期限，请使用会议行动项流程。本文适用于获准处理的访谈、讲座、演示、播客和录制演讲。

用 AI 转写音频前需要哪些许可？

确认是谁录制了音频、谁在说话、谁拥有它、为什么要处理它、哪项服务会接收它，以及谁可以访问输出。同意和告知的要求因司法管辖区、情境、雇佣关系、平台和录制方式而异。能下载文件不等于有权转写或发布。

处理前回答：

录音本身是否获得许可？
所述目的是否包括 AI 转写和摘要？
文件是否包含保密、个人、生物特征、健康、法律或财务信息？
所选工具是否获准处理这类数据，并适用于该地区？
音频、转写稿和衍生文件可以保留多久？
谁可以审阅、分享、更正或删除它们？

只使用所需的最少音频。如果某一段超出了获批的目的，就从工作副本中删除，同时按适用的档案政策保留母带。只在受控的衍生文件中删去不必要的标识信息；绝不要假装编辑过的副本就是原件。

本文是质量流程，而非法律结论。当录音法规、同意、合同权利、职场监控或敏感个人数据存在不确定性时，在处理之前咨询当地的合格专业人士。

步骤 1：保存母带并准备工作副本

原样保存收到的文件，并给它稳定的 ID。记录其来源、录制日期、时长、格式、语言、已知的说话人、许可依据、负责人和访问限制。限制写入权限，以防意外被替换。

建立一份工作副本，用于降噪、声道分离、音量标准化或格式转换。记录每次转换。处理可提升可懂度，但过度滤波可能削掉辅音、改变停顿，或让重叠的说话人听起来像轮流发言。

自动化前先听几段样本：轻声说话、大声说话、人名、数字、交叉对话、音乐和最嘈杂的部分。记下产品名称、专业术语、地名和缩写等词汇。小型术语表能帮助模型，但不授权它猜测。

在自然分界处拆分长录音，并保留连续的时间偏移。每段标明起始时间，只在必要时重叠，以免切断词语。保留分段 ID，让更正可以追溯到母带。

步骤 2：生成带时间的转写草稿

要求结构化的结果，包含分段 ID、开始时间、结束时间、说话人标签、文字、语言，以及置信度或不确定性说明。如果工具不提供数值置信度，就要求使用 [unclear 00:12:41] 这类明确标记，而不是一个看似合理的补全。

在身份核实之前，使用中性的说话人标签：Speaker 1、Speaker 2，或从上下文确认的角色。仅凭声音相似不足以识别身份。当重叠讲话和非语音信息影响含义时，要把它们保留下来。

一种有用的草稿结构是：

字段	示例用途	要避免的失误
分段 ID	稳定的更正引用	丢失来源位置
开始/结束	导航和字幕时间	编造或漂移的时间码
说话人	跟踪发言轮次	凭声音猜测身份
逐字文本	主要转写内容	过早地转述
不确定性	人工复核队列	自信地填补听不清的音频
声音说明	有意义的非语音音频	漏掉警告或反应

转写时不要做摘要。当转写的目的需要忠实记录时，保留口头重复或说错后重来的内容。对于可读版转写稿，明确写出清理规则；如果日后可能出现争议，就保留一份逐字层。

步骤 3：对照音频校正文稿

复核每一个低置信度的分段，然后抽查那些据称高置信度的部分。人名、数字、否定、单位、日期、URL、缩写、说话人切换和被引用的陈述值得全面复核，因为一个小错误就可能让含义反转。

戴耳机；必要时放慢播放但不改变音调。把每处更正与上下文和母带对照，而不只与模型的备选对照。确实听不清的讲话要标出，不要猜测。

保留一份更正日志，记录分段 ID、原文字、新文字、原因、复核人和时间。典型的原因包括听错的词、说话人分界、影响含义的标点、时间码漂移或非语音标签。如果某项修改依赖的是外部知识而不是可听到的证据，就把它标为编辑注释。

更正之后，检查：

没有介绍就出现的说话人标签；
相互重叠或倒退的时间戳；
可疑的缺失时间段；
人名和术语的拼写不一致；
在多次提及中不一致的数字；
被意外删掉的有意义的静默或声音；
不应进入预期输出的私人信息。

此时才把某个转写版本指定为可用于后续工作的版本。

步骤 4：只基于校正文稿用 AI 总结音频

提供已批准的转写稿和一份摘要约定：受众、目的、必需的章节、最大篇幅、允许的推断和引用格式。要求每个重要观点都引用分段 ID 或时间范围。告诉模型，当转写稿不支持某个答案时要明确说明。

使用文档摘要检查清单检查范围和遗漏。音频还增加了说话人归属和时间对齐，因此要核实摘要没有把不同说话人的观点合并，也没有把一个问题变成一项决定。

把以下内容分开：

录音中所作的陈述；
在上下文确立时，已达成共识的事实或决定；
摘要者的解读；
尚未解决的分歧或听不清的内容；
建议的后续行动。

要求进行一轮矛盾检查：找出摘要在哪些地方加强了确定性、删去了限定条件、把陈述归错了说话人，或忽略了更正标记。打开对应音频分段，由人决定。

如摘要将用于报告，就在笔记转报告的证据图中保留已批准的转写稿 ID 和分段引用。

步骤 5：从校正文稿制作 AI 字幕

字幕文件是有时间的提示单元（cue），而不是按固定字符数切开的段落。W3C 的 WebVTT 规范定义了一种为媒体提供提示单元和时间的文本轨道格式。［2］从校正后的转写分段生成提示单元，然后根据讲话和画面情境调整边界。

每个提示单元都应：

在相关讲话或声音出现时开始；
在能被读完之后、无关讲话出现之前结束；
使用自然的短语边界；
当画面无法表明说话人时，标出说话人；
包含理解所需的、有意义的非语音声音；
避免遮住重要的画面信息；
在屏幕上停留足够长的时间，适合目标受众。

在制作同语言字幕时，除非获批的编辑规范另有要求，否则不要翻译、简化或删减。这些是独立的转换，需要独立的审核。按照可用的权利处理歌词和其他受版权保护的材料；不要以为转写就授予了重新发布的权利。

在生产流程中，验证提示单元语法、递增时间戳、重叠规则、编码和文件命名。让字幕文件与确切的媒体和转写版本保持关联。

步骤 6：进行准确性和可访问性 QA

WCAG 关于预录内容的指引要求为同步媒体中的预录音频提供字幕，除非该媒体本身就是文字的替代品并已明确标注。［1］附上未经检查的机器转写稿，并不满足无障碍要求。

开启字幕，完整审阅最终的媒体。检查字幕质量项目中常用的四个维度：

维度	QA 问题
准确性	文字、说话人和有意义的声音是否一致？
同步性	提示单元是否随相关音频出现和消失？
完整性	所有必要的讲话和声音是否都得到呈现？
位置/可读性	观众能否在不错过重要画面的情况下读完字幕？

FCC 的字幕指引把准确性、同步性、完整性和位置作为美国电视字幕的质量维度加以讨论。［3］把这些维度当作有用的 QA 视角，而不是对每个国家、平台或媒体类型法律义务的普遍说明。

在实际播放器和目标屏幕尺寸上测试。留意被截断的行、不受支持的字符、被控件遮住的提示单元、与画面内嵌标签的冲突，以及在密集讲话时的快速切换。请一位没有编辑过转写稿的审阅者观看有代表性的片段；对于重要的发布，借助无障碍方面的专业知识。

步骤 7：绑定版本与修正

用稳定 ID 把母带音频、处理过的工作副本、已批准的转写稿、摘要、字幕文件、审核日志和发布版本绑定在一起。分别记录语言和语言区域；混合语言的录音可能需要分段级的语言标签。

定义一条更正途径。观众或说话人应能报告某个时间戳和问题。当某项更正被接受时，确定哪些衍生材料受到影响。修正转写稿不会自动更新已导出的摘要或字幕文件。

对于已发布的媒体，写明谁可以替换字幕、缓存的播放器是否必须刷新，以及如何告知这项更正。只保留许可和档案政策允许的内容。

如果你是在规划录制而不是处理录音，视频脚本与分镜流程可以在制作之前就把旁白、说话人和有意义的声音分开，从而减少之后字幕中的歧义。

如何事实核查音频摘要？

从摘要中提取每一个人名、数字、日期、引语、决定和因果陈述。把它对应到已批准的转写分段，播放该段，并检查足够的前后音频，以还原其中的限定条件。对于无法仅凭录音证明的外部主张，使用 AI 回答事实核查方法。

对于模型可能漏掉的声音，转写稿不能作为唯一证据。如果音频不清楚而该主张又很重要，就把它标为未解决，或请一位获授权的参与者澄清。

常见问题

我拥有音频文件就能转写吗？

不能。拥有文件并不能证明已获同意、拥有版权、符合保密要求、具备职场授权或处理合法。针对相关的司法管辖区和情境，确认录音和处理的依据。

可以直接总结 AI 原始转写吗？

不可以。先对照音频校正。否则，一个转写错误可能变成一条自信的摘要要点，之后也很难追溯。

听不清的内容怎样标记？

按照你的编辑标准，使用带时间戳的不确定标记，例如 [unclear] 或 [inaudible]。不要为了通顺而猜一个看似合理的词。

自动字幕默认满足可访问性吗？

不满足。它们需要在文字、说话人、声音、时间、完整性、位置、可读性和播放器表现方面接受审核。无障碍义务也取决于内容和司法管辖区。

转写稿和字幕有什么区别？

转写稿是音频的文字记录。字幕是同步的文字提示单元，用于在媒体播放时传达讲话和有意义的声音。两者不能机械地相互替代。

可以用同一个模型翻译字幕吗？

翻译是另一项独立的转换。从校正后的源语言转写稿开始，保留提示单元和说话人的含义，自然地本地化，并请合格的审阅者同时检查语言和时间。

多个说话人怎样处理？

先使用中性标签，通过获授权的背景信息核实身份，并一致地标注切换。当观众无法从画面判断说话人时，在字幕中加入说话人标识。

发布后应保留什么？

只保留政策所要求的母带、已批准的衍生文件、来源信息、许可证据和更正记录。按照批准的时间表删除临时上传和不必要的敏感副本。

延伸阅读

免责声明：录音、同意、隐私、雇佣、版权和可访问性要求会因地区与场景不同。本文仅提供一般工作流信息，不构成法律建议。请向合格的当地专业人士确认适用要求。

来源：

W3C Web Accessibility Initiative — Understanding Success Criterion 1.2.2: Captions (Prerecorded) — https://www.w3.org/WAI/WCAG22/Understanding/captions-prerecorded
W3C — WebVTT: The Web Video Text Tracks Format — https://www.w3.org/TR/webvtt1/
Federal Communications Commission — Captioning Quality Best Practices — https://docs.fcc.gov/public/attachments/DA-17-692A1.pdf
NIST — Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile — https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence

Sources checked 2026 年 8 月 24 日。

如何用 AI 转写音频：先校正文稿，再生成摘要与同步字幕