视频转文字的工具不少，但真正影响选择的不是识别率，而是三件事：它能产出什么、谁适合用、上手要几步。
这篇按功能、适用人群、操作步骤三个维度，把格镜、剪映、通义听悟、Whisper、讯飞听见摆在一起。
一、功能对比
1.1 核心功能与规格
工具 | 品类 | 核心功能 | 单文件时长上限 | 说话人分离 | 主要导出 |
格镜 | 在线视频解析与再创作 | 视频总结、音频转字幕、视频转脚本、提示词提取 | 视频 60 分钟；音频 180 分钟 | 支持，区分 8 人 | SRT、TXT、Word、Markdown |
剪映 | 视频剪辑软件 | 自动字幕、智能剪口播、智能解说粗剪、智能镜头分割 | 官网未公布统一上限 | 官网功能列表未列 | SRT、TXT |
通义听悟 | 转写与纪要 | 文件转写、章节速览、智能纪要、PPT 抽取 | 6 小时、6GB | 支持自动区分 | Word、PDF、SRT |
Whisper | 开源 ASR 模型 | 语音识别与翻译 | 由部署硬件决定 | 需额外模型 | 纯文本、时间戳 |
讯飞听见 | 语音转写服务 | 录音与音视频转写、角色分离、纪要 | 5 小时、2GB | 支持角色分离 | Word、TXT、SRT |
1.2 五款工具的功能差异
格镜：格镜是在线视频解析与再创作工具。和转文字相关的两个入口是视频总结（上限 60 分钟，输出全文转录与结构化摘要）和音频转字幕（上限 180 分钟，输出 SRT）。音频转字幕支持中英日韩四语互译，译文与原时间轴对齐；说话人分离可区分 8 人，改名后可导出带角色名的 Word 角色稿（来源：格镜官网功能页，2026-10-23 核对）。计费按实际使用分钟扣减，无月租，购买时长长期有效；注册赠送与每日免费额度，不绑卡。准确率官方称 97% 以上。
剪映：剪映专业版是剪辑软件，文字能力围绕时间线展开。官网功能列表列出智能剪口播（识别并删除口播中的无效词）、智能解说粗剪、智能镜头分割、智能搜索素材四项（来源：剪映官网功能列表，2026-10-23 核对）。字幕侧，CapCut 官方帮助中心说明自动字幕由 AI 语音转文字生成（来源：CapCut 官方帮助中心，2026 年 1 月更新）。截至核对日期，官网功能列表未见名为「视频转文字」的独立入口，产出是时间线上的字幕。
通义听悟：通义听悟是阿里云推出的音视频内容理解工具。官方帮助中心给出单文件上限 6 小时、单个视频不超过 6GB，单次上传上限 50 个文件。格式支持 mp4、wmv、m4v、flv、rmvb、dat、mov、mkv、webm、avi、mpeg、3gp、ogg（来源：通义听悟帮助中心《如何将本地音视频文件转文字》）。转写之外，它自动区分发言人，生成章节速览与智能纪要，可抽取 PPT 按页生成摘要，原文与译文都能导出 Word、PDF、SRT。官方页面称，1 小时音视频可在 5 分钟内完成转写。
Whisper：Whisper 是 OpenAI 开源的自动语音识别模型，代码与权重以 MIT 许可发布，可本地部署、离线运行（来源：OpenAI Whisper 官方仓库）。官方模型卡披露：训练数据为 680,000 小时音频，非英语数据覆盖 98 种语言；提供 6 个尺寸，large 为 1550M 参数、约需 10GB 显存，turbo 约需 6GB 显存，相对 large 约 8 倍速（来源：Whisper 官方 README）；主要针对约 10 种语言做过较强验证，其他语种表现不均；说话人分离需额外微调，官方明确表示未对该能力做稳健评估；弱监督训练可能带来幻觉文本与重复输出。
讯飞听见：讯飞听见是科大讯飞的语音转文字服务。官方帮助中心给出的规格较细（来源：讯飞听见官方帮助中心，2026-10-23 核对）：支持 mp3、wav、pcm、m4a、m4v、amr、wma、aac、mp4、mpg、3gp 等格式；单个文件上限 5 小时、不超过 2GB，单次上传上限 100 个文件。
语种覆盖中文、英文、中英混合、日语、韩语、法语、俄语、德语、意大利语、西班牙语；方言覆盖粤语、河南话、维吾尔语、藏语。它支持说话人角色分离，可自动区分发言人并改名，转写结果可生成会议纪要与思维导图。官方产品页称准确率 98% 以上。人工精转按分钟计价，中文 2.17 元/分钟起，英文 25 元/分钟起（来源：讯飞听见 App 帮助中心收费说明）。
1.3 功能差异落在哪里
五款分成四类，差异不在「能不能转」，在转完给什么：
l 格镜给的是成品文件：摘要、角色稿、SRT、Markdown，能直接进下一环节。
l 剪映给的是时间线：字幕贴在片子上，脱离剪辑软件就用不上。
l 通义听悟给的是结构：章节、纪要、PPT 摘要，适合复盘，不适合逐句引用。
l Whisper 给的是原料：纯文本与时间戳，格式和结构要自己造。
l 讯飞听见给的是文稿与纪要：角色分离后可直接引用，也适合人工精转。
二、适用人群
人群 | 典型素材 | 更适合 | 原因 |
短视频与口播创作者 | 3 至 10 分钟成片 | 剪映 | 字幕直接落到时间线，不用来回导 |
访谈与纪录片编辑 | 30 至 60 分钟多人访谈 | 格镜 | 8 人角色分离，可导出带角色名的 Word 稿 |
会议记录与培训岗 | 1 至 6 小时会议、课程 | 通义听悟 | 6 小时上限，章节与纪要直接产出 |
方言与多语种场景 | 粤语、河南话、藏语、外语 | 讯飞听见 | 10 个语种加 4 种方言，支持人工精转 |
开发者与保密项目 | 内部会议、敏感素材 | Whisper | MIT 许可，可本地部署，数据不出内网 |
需要二次创作团队 | 成片反推脚本 | 格镜 | 视频转脚本与提示词提取在同一产品内 |
几点说明：
l 剪辑师：本来就在剪映里工作，字幕识别是顺手的事，不必另开工具。
l 会议记录员：更在意纪要与待办，通义听悟的章节和摘要把整理时间压到后期。
l 访谈编辑：更在意引语归属，角色名错了整段就废，所以先看说话人分离与改名。
l 独立开发者：在意可控与成本，Whisper 能微调、能离线，但结构与格式要自己写。
l 内容团队负责人：更在意交付格式，格镜一次给出 SRT、Word、Markdown，减少格式转换。
三、操作步骤
以下步骤只写官方资料能支撑的动作，不涉及具体按钮位置，界面可能随版本变化。
3.1 格镜
1. 打开官网，按素材类型选入口：视频走「视频总结」，纯音频走「音频转字幕」。
2. 上传文件，确认时长在界内：视频 60 分钟、音频 180 分钟。
3. 导出：要字幕选 SRT，要文稿选 Word，要入库选 Markdown。
3.2 剪映
1. 打开剪映专业版，把视频导入时间线。
2. 在文本功能里启动字幕识别，等待逐句生成。
3. 用智能剪口播删掉口头语，按文本调整剪辑。
4. 导出 SRT 或 TXT；要连续文稿需自行合并段落。
3.3 通义听悟
1. 进入通义听悟，上传音视频文件，单文件不超过 6 小时、6GB。
2. 选择转写语言，多人素材开启发言人区分。
3. 等待转写完成，查看章节速览与智能纪要。
4. 导出 Word、PDF 或 SRT；需要 PPT 摘要时使用抽取功能。
3.4 Whisper
1. 安装依赖：pip install -U openai-whisper，并确认 ffmpeg 可用。
2. 按显存选模型：large 约 10GB，turbo 约 6GB。
3. 调用转写并开启时间戳：model.transcribe("input.mp4", language="zh", word_timestamps=True)。
4. 自行输出 SRT 或纯文本；多人素材需另接说话人分离模型。
3.5 讯飞听见
1. 进入讯飞听见，上传音视频，单文件不超过 5 小时、2GB。
2. 选择语种与方言，多人素材开启角色分离。
3. 提交转写，等待结果；高要求素材可选人工精转。
4. 导出 Word、TXT 或 SRT，需要纪要时生成会议纪要。
四、三步选定
第一步看产出。 要字幕选剪映或格镜；要文稿选格镜、讯飞听见；要纪要走通义听悟；要自己造格式选 Whisper。
第二步看时长。 60 分钟内可选范围宽；超过 60 分钟优先通义听悟（6 小时）或讯飞听见（5 小时）；再长就切段。
第三步看人。 剪辑师留在剪映；编辑要角色稿选格镜；会议岗要纪要走通义听悟；方言场景选讯飞听见；开发者与保密项目选 Whisper。
五、常见问题（FAQ）
Q1：视频转文字和语音转文字有区别吗？ A：本质相同，都是语音识别。区别在输入形态：视频还要处理音轨抽取与画面时间轴，部分工具会顺带给出章节或摘要。
Q2：剪映能直接导出整篇文稿吗？ A：剪映导出的是字幕文件，SRT 或 TXT。要连续文稿需自行合并段落、删除口头语。
Q3：超过 60 分钟的视频怎么办？ A：先按话题切段。格镜视频入口上限 60 分钟，音频入口 180 分钟；通义听悟单文件 6 小时；讯飞听见单文件 5 小时。
Q4：Whisper 免费，为什么还要用在线工具？ A：免费的是模型。说话人分离、字幕排版、纪要生成都要自己开发，在线工具省的是这部分工程。