要可靠地用 AI 轉寫音頻，先確認錄製和處理獲得許可，保存不可變母帶，再產生帶時間、說話者和低信心標記的草稿。必須對照音頻校正文稿後才做摘要，並從校正版產生字幕 cue，最後檢查準確、同步、完整、位置和可讀性。

順序不能顛倒。錯誤轉寫產生的流暢摘要會隱藏原錯，時間準確的字幕也可能錯誤表達說話內容。NIST 指出生成式 AI 可能虛構內容，風險控制需要記錄與人工監督。［4］把每個階段視為一次有輸入、輸出、審閱者和驗收規則的轉換。

關鍵要點

上載前確認同意、權限、目的和保留期。

保存唯讀母帶，只在受控副本上處理。

保留時間碼、說話者和低信心標記。

校正轉寫後才可產生摘要。

字幕必須從校正文稿製作。

在實際播放器中由頭到尾審閱成品。

若任務是從會議中擷取負責人和期限，請使用會議行動項流程。本文適用於獲准處理的訪談、講座、示範、Podcast 和錄製演講。

用 AI 轉寫音頻前需要哪些許可？

確認是誰錄製了音頻、誰在說話、誰擁有它、為何要處理它、哪項服務會接收它，以及誰可以存取輸出。同意和通知的要求因司法管轄區、情境、僱傭關係、平台和錄製方式而異。能下載檔案不等於有權轉寫或發布。

處理前回答：

錄音本身是否獲得許可？
所述目的是否包括 AI 轉寫和摘要？
檔案是否包含保密、個人、生物特徵、健康、法律或財務資料？
所選工具是否獲准處理這類資料，並適用於該地區？
音頻、轉寫稿和衍生檔案可以保存多久？
誰可以審閱、分享、更正或刪除它們？

只使用所需的最少音頻。如某一段超出獲批的目的，便從工作副本中刪除，同時按適用的檔案政策保存母帶。只在受控的衍生檔案中刪去不必要的識別資料；絕不要假裝編輯過的副本就是原件。

本文是質素流程，而非法律結論。當錄音法規、同意、合約權利、職場監察或敏感個人資料存在不確定性時，處理前諮詢本地的合資格專業人士。

步驟 1：保存母帶並準備工作副本

原樣保存收到的檔案，並給它穩定的 ID。記錄其來源、錄製日期、長度、格式、語言、已知的說話者、許可依據、負責人和存取限制。限制寫入權限，以防意外被取代。

建立一份工作副本，用於降噪、聲道分離、音量標準化或格式轉換。記錄每次轉換。處理可提升可懂度，但過度濾波可能削掉輔音、改變停頓，或令重疊的說話者聽來像輪流發言。

自動化前先聽幾段樣本：輕聲說話、大聲說話、人名、數字、交叉對話、音樂和最嘈雜的部分。記下產品名稱、專業術語、地名和縮寫等詞彙。小型術語表能協助模型，但不授權它猜測。

在自然分界處拆分長錄音，並保留連續的時間偏移。每段標明起始時間，只在必要時重疊，以免切斷字詞。保留分段 ID，令更正可以追溯到母帶。

步驟 2：產生帶時間的轉寫草稿

要求結構化的結果，包含分段 ID、開始時間、結束時間、說話者標籤、文字、語言，以及可信度或不確定性說明。如工具不提供數值可信度，便要求使用 [unclear 00:12:41] 這類明確標記，而不是一個看似合理的補全。

身份核實前，使用中性的說話者標籤：Speaker 1、Speaker 2，或由上下文確認的角色。單憑聲音相似不足以辨認身份。當重疊講話和非語音資料影響含義時，要把它們保留下來。

一種有用的草稿結構是：

欄位	例子用途	要避免的失誤
分段 ID	穩定的更正引用	遺失來源位置
開始／結束	導覽和字幕時間	虛構或漂移的時間碼
說話者	追蹤發言輪次	憑聲音猜測身份
逐字文字	主要轉寫內容	過早轉述
不確定性	人手覆核隊列	自信地填補聽不清的音頻
聲音說明	有意義的非語音音頻	遺漏警告或反應

轉寫時不要做摘要。當轉寫的目的需要忠實紀錄時，保留口頭重複或說錯後重來的內容。可讀版轉寫稿要寫明整理規則；如日後可能出現爭議，便保留一份逐字層。

步驟 3：對照音頻校正文稿

覆核每一個低可信度的分段，然後抽查那些據稱高可信度的部分。人名、數字、否定、單位、日期、URL、縮寫、說話者轉換和被引述的陳述值得全面覆核，因為一個小錯誤便可能令含義反轉。

戴耳機；有需要時放慢播放但不改變音調。把每處更正與上下文和母帶對照，而不只與模型的其他選擇對照。確實聽不清的講話要標示，不要猜測。

保留一份更正紀錄，記下分段 ID、原文字、新文字、原因、覆核人和時間。典型的原因包括聽錯的字詞、說話者分界、影響含義的標點、時間碼漂移或非語音標籤。如某項修改依賴的是外部知識而不是可聽到的證據，便把它標示為編輯註釋。

更正後，檢查：

沒有介紹便出現的說話者標籤；
互相重疊或倒退的時間戳；
可疑的缺失時段；
人名和術語的拼寫不一致；
在多次提及中不一致的數字；
被意外刪去的有意義的靜默或聲音；
不應進入預期輸出的私人資料。

此時才把某個轉寫版本指定為可用於後續工作的版本。

步驟 4：只基於校正文稿用 AI 總結音頻

提供已批准的轉寫稿和一份摘要約定：受眾、目的、必需的章節、最大篇幅、容許的推斷和引用格式。要求每個重要觀點都引用分段 ID 或時間範圍。告訴模型，當轉寫稿不支持某個答案時要清楚說明。

使用文件摘要檢查清單檢查範圍和遺漏。音頻還增加了說話者歸屬和時間對齊，因此要核實摘要沒有把不同說話者的觀點合併，也沒有把一個問題變成一項決定。

把以下內容分開：

錄音中所作的陳述；
在上下文確立時，已達成共識的事實或決定；
摘要者的詮釋；
仍未解決的分歧或聽不清的內容；
建議的後續行動。

要求進行一輪矛盾檢查：找出摘要在哪些地方加強了確定性、刪去了限定條件、把陳述歸錯了說話者，或忽略了更正標記。開啟對應音頻分段，由人決定。

如摘要將用於報告，便在筆記轉報告的證據圖中保留已批准的轉寫稿 ID 和分段引用。

步驟 5：從校正文稿製作 AI 字幕

字幕檔案是有時間的提示單元（cue），而不是按固定字元數切開的段落。W3C 的 WebVTT 規範界定了一種為媒體提供提示單元和時間的文字軌格式。［2］由校正後的轉寫分段產生提示單元，然後按講話和畫面情境調整界線。

每個提示單元都應：

在相關講話或聲音出現時開始；
在能被讀完之後、無關講話出現之前結束；
使用自然的短語界線；
當畫面無法表明說話者時，標示說話者；
包含理解所需、有意義的非語音聲音；
避免遮住重要的畫面資料；
在螢幕上停留足夠長的時間，切合目標受眾。

製作同語言字幕時，除非獲批的編輯規範另有要求，否則不要翻譯、簡化或刪減。這些是獨立的轉換，需要獨立的審核。按照可用的權利處理歌詞和其他受版權保護的材料；不要以為轉寫便授予重新發布的權利。

在製作流程中，驗證提示單元語法、遞增時間戳、重疊規則、編碼和檔案命名。令字幕檔案與確實的媒體和轉寫版本保持連結。

步驟 6：進行準確性和無障礙 QA

WCAG 關於預錄內容的指引要求為同步媒體中的預錄音頻提供字幕，除非該媒體本身就是文字的替代品並已清楚標示。［1］附上未經檢查的機器轉寫稿，並不滿足無障礙要求。

開啟字幕，完整審閱最終的媒體。檢查字幕質素項目中常用的四個維度：

維度	QA 問題
準確性	文字、說話者和有意義的聲音是否一致？
同步性	提示單元是否隨相關音頻出現和消失？
完整性	所有必要的講話和聲音是否都得到呈現？
位置／可讀性	觀眾能否在不錯過重要畫面的情況下讀完字幕？

FCC 的字幕指引把準確性、同步性、完整性和位置作為美國電視字幕的質素維度加以討論。［3］把這些維度當作有用的 QA 角度，而不是對每個國家、平台或媒體類型法律責任的普遍說明。

在實際播放器和目標螢幕尺寸上測試。留意被截斷的行、不受支援的字元、被控制項遮住的提示單元、與畫面內嵌標籤的衝突，以及在密集講話時的快速轉換。請一位沒有編輯過轉寫稿的審閱者觀看具代表性的片段；重要的發布，應借助無障礙方面的專業知識。

步驟 7：綁定版本與修正

用穩定 ID 把母帶音頻、處理過的工作副本、已批准的轉寫稿、摘要、字幕檔案、審核紀錄和發布版本綁定在一起。分別記錄語言和語言地區；混合語言的錄音可能需要分段層面的語言標籤。

界定一條更正途徑。觀眾或說話者應能報告某個時間戳和問題。當某項更正被接納時，確定哪些衍生材料受影響。修正轉寫稿不會自動更新已匯出的摘要或字幕檔案。

已發布的媒體，要寫明誰可以替換字幕、快取的播放器是否必須重新整理，以及如何告知這項更正。只保留許可和檔案政策容許的內容。

如你是在規劃錄製而不是處理錄音，影片腳本與分鏡流程可以在製作前便把旁白、說話者和有意義的聲音分開，從而減少日後字幕中的歧義。

如何事實核查音頻摘要？

由摘要中擷取每一個人名、數字、日期、引述、決定和因果陳述。把它對應到已批准的轉寫分段，播放該段，並檢查足夠的前後音頻，以還原其中的限定條件。無法單憑錄音證明的外部主張，使用 AI 回答事實核查方法。

對於模型可能遺漏的聲音，轉寫稿不能作為唯一證據。如音頻不清楚而該主張又很重要，便把它標示為未解決，或請一位獲授權的參與者澄清。

常見問題

我擁有音頻檔案就能轉寫嗎？

不能。擁有檔案並不能證明已獲同意、擁有版權、符合保密要求、具備職場授權或處理合法。針對相關的司法管轄區和情境，確認錄音和處理的依據。

可以直接總結 AI 原始轉寫嗎？

不可以。先對照音頻校正。否則，一個轉寫錯誤可能變成一項自信的摘要要點，日後亦很難追溯。

聽不清的內容如何標記？

按照你的編輯標準，使用附時間戳的不確定標記，例如 [unclear] 或 [inaudible]。不要為了通順而猜一個看似合理的字詞。

自動字幕預設滿足無障礙要求嗎？

不滿足。它們需要在文字、說話者、聲音、時間、完整性、位置、可讀性和播放器表現方面接受審核。無障礙責任亦取決於內容和司法管轄區。

轉寫稿和字幕有甚麼分別？

轉寫稿是音頻的文字紀錄。字幕是同步的文字提示單元，用於在媒體播放時傳達講話和有意義的聲音。兩者不能機械地互相取代。

可以用同一模型翻譯字幕嗎？

翻譯是另一項獨立的轉換。由校正後的源語言轉寫稿開始，保留提示單元和說話者的含義，自然地本地化，並請合資格的審閱者同時檢查語言和時間。

多個說話者如何處理？

先使用中性標籤，透過獲授權的背景資料核實身份，並一致地標示轉換。當觀眾無法從畫面判斷說話者時，在字幕中加入說話者標示。

發布後應保留甚麼？

只保留政策所要求的母帶、已批准的衍生檔案、來源資料、許可證據和更正紀錄。按照批准的時間表刪除臨時上載和不必要的敏感副本。

延伸閱讀

免責聲明：錄音、同意、私隱、僱傭、版權和無障礙要求會因地區與場景而異。本文只提供一般工作流程資訊，不構成法律建議。請向合資格的當地專業人士確認適用要求。

來源：

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 轉寫音頻：校正文稿後才撰寫摘要及製作字幕