从音频和视频获取文字 — 转录与字幕

从音频到视频——迈向完整的语言学习闭环

我们长期以来帮助把音频变成可读文本：讲座、播客、对话以及你自己的录音。版本 2.0 让 Get Text from Audio and Video（SpeechScribe）更进一步。它不再只是转录工具，而是一个便于观看、收听并逐行学习材料的实用环境。

核心理念不变：你不只是「听见」内容，而是理解每一个词。阅读、翻译、回到需要的片段，按自己的节奏学习。

更快得到文本

版本 2.0 最明显的改进之一是通过服务器加速转录。长录音处理明显更快，结果无需久等即可出现。

同时，我们保留了用户从一开始就看重的功能：设备上的私密模式。由你选择——服务器处理的速度，或不上传文件的完全隐私。两条路径都仍然可用。

视频——不只是音频

现在可以向应用上传视频文件。YouTube 讲座、录制的网络研讨会、访谈、学习短片——都会变成清晰的字幕列表，你可以像处理音频转录一样细致地使用它们。

视频和音频是两种不同的输入，但输出相同：按短语结构化的文本，随时可读、可译、可重听。

全屏模式

我们为视频增加了全屏观看。可以在铺满屏幕的同时保持与文本的关联。在拆解外语讲座或电影时尤其方便：画面够大，字幕就在手边。

锁屏时也能听

另一项日常改进：手机锁屏时音频仍继续播放。路上听讲座或播客时，不必一直开着应用，也不用担心播放中断。

对语言学习来说，这改变了习惯：你用耳机听，需要时回到对应行，读翻译并跟读短语。

逐行翻译与字幕操作

你得到的是字幕列表——不是一整块密密麻麻的文字，而是便于操作的整齐行：

• 翻译单词——快速弄懂陌生术语；
• 翻译短语——在语境中拆解整句；
• 再听一遍——回到原始发音；
• 跟读——大声练习该片段。

正是这种逐行结构，让应用区别于简单录音机和「只会出字」的转录工具：你不只是拿到文本，而是与每一行互动。

接下来

我们才刚开始释放版本 2.0 的潜力。后续更新中，我们也计划走反向路径：

• TTS（text-to-speech）——把文本再变成音频：朗读、为字幕配音、生成学习材料的音频版；
• 发音训练——跟读示范、对比自己的语音、练习语调与重音。

这样，应用正走向完整闭环：语音与视频 → 文本 → 翻译 → 再次语音。STT 与 TTS 同处一款产品——面向用真实内容学语言的人，而不是抽象练习。

这个版本适合谁

版本 2.0 适合：

• 处理视频讲座与音频材料的学生；
• 收听外语播客与访谈的自学者；
• 用音频与视频准备讲义的教师；
• 以及所有不只想转录、更想从所见所闻中学习的人。

总结

版本 2.0 是从「音频转文字」迈向语言与媒体工作环境的一大步。更快的转录、视频、全屏、后台播放与逐行翻译已经可用。接下来是文字转语音与发音训练。

试试这次更新，并告诉我们哪些场景对你最有用。在 App Store 下载 Get Text from Audio and Video（SpeechScribe），今天就开始处理音频、视频与字幕。