关键信息
每个套餐都包含；高级翻译按用量计费，不锁在高价档。
为什么选 VexaScribe
人工听写既慢又贵。VexaScribe 用 AI 把录音在几分钟内变成准确、可检索的文字；Zoom、Meet、Teams 的会议还能派机器人进去边开边记。为播客主、记者、学生、研究人员和团队而做。
VexaScribe 是什么
VexaScribe 是一款 AI 语音转文字工具，能把音频和视频转成 99 种语言的准确文字。上传播客、访谈、课堂或会议录音，几分钟就能拿到分好说话人、标好时间码的文字稿。
- 支持 MP3、WAV、MP4 等 20 多种格式
- 文字稿自带时间码和说话人标注
- 可导出为 TXT、SRT、VTT、JSON、DOCX
- 套餐每月 $2 起（200 分钟）
- 可派机器人进入 Zoom、Meet、Teams 会议
为播客主、记者、学生、研究人员和团队而做。
采用基于 Whisper 的语音识别技术。
专业人士都在用
“播客的文字稿我从 Otter 换到了 VexaScribe。说话人标得更准，导出 SRT 一下省掉好几个小时。”
“200 分钟每月 $2，是我找到最划算的转写工具。免费额度用了 5 分钟我就定了。”
“我做中英文访谈的文字稿。VexaScribe 两种语言都处理得好，有时间码引用来源很方便。”
VexaScribe 怎么用
三步就能拿到准确的文字稿
上传文件
把音频或视频文件拖进来即可。支持 MP3、WAV、MP4 等 20 多种格式。
AI 转写
AI 处理你的文件，自动分辨说话人并生成时间码。
修改并导出
看一遍文字稿，需要就改一改，然后导出为 TXT、SRT、VTT、JSON 或 DOCX。
贴一个链接也行，不用先下载。
你能得到什么
99 种语言
不用自己挑语种，既不用翻下拉列表，也不用改设置，上传之后语言自动识别。一次传 50 个语种各异的文件，也是逐个分别识别。阿拉伯语、希伯来语这类从右往左书写的文字，在每种导出格式里都不会错位。
说话人分辨
谁说了哪句话，自动标好。分辨说话人没有交给语音引擎自带的那一套，而是由独立模型来做，所以四个人交叉发言的会议也稳得住。把“说话人 1”改成真实姓名，改一次全篇同步。
5 种导出格式
SRT 和 VTT 的字幕时间轴精确到帧。DOCX 拿到手就已排好版，说话人姓名和时间码都在。JSON 保留逐词时间信息，适合在此之上做二次开发。TXT 则是干净的纯文本，直接读就行。
AI 摘要
会议、销售、课堂、播客、访谈、通用六种摘要，各按自己的用途成文：销售通话不是罗列要点，而是归纳客户顾虑和后续动作。章节标记用的是与音频对齐的真实时间码。给已有的文字稿做摘要，不额外扣分钟数。
AI 对话 — Beta
不必来回拖动进度条找那一句，直接问文字稿就行：结论是什么、谁认领了哪件事、某人就某个话题说过什么。每个回答都注明出处的时间码，点过去就能自己核对。
AI 翻译
文字稿可译成 133 种语言，字幕时间轴原样保留，译好的 SRT 照样对得上画面。两套引擎：标准版已含在套餐里，高级版每个套餐都能用，按用量计费，不锁在高价档。
批量上传 — 一次 50 个文件
一批最多 50 个文件，并行处理而不是排队一个一个来，最后按你选的格式打包成一个 ZIP。它面对的是整季访谈或积压的播客存档，而不是一次一个文件。 了解更多 →
数据归你，去留你定
文件和文字稿随时可删，删了在我们的存储里也就不存在了。你的音频绝不用于训练模型。文件在传输途中和存放期间都是加密的。 了解更多 →
哪些内容可以转成文字
常见问题
支持哪些音频和视频格式？
音频支持 MP3、WAV、M4A、FLAC、OGG，视频支持 MP4、MOV、AVI、MKV、WebM 等多种格式。
转写要多久？
标准模型通常每小时音频需要 3-5 分钟。高级模型处理会议长度的文件时，每小时音频不到 2 分钟。
可以免费试用吗？
可以。注册之后会有 30 分钟免费额度供你试用，开始时无需信用卡。
我的数据安全吗？
安全。文件在上传和处理过程中都会加密，文字稿可以随时删除。我们不会用你的音频训练 AI 模型。
最后更新：2026 年 2 月