AI 音频转录：自动为语音生成带时间戳的文本
为什么这是导入引擎的核心
前面几篇导入引擎的文章都提到了一个关键事实：有文本的内容才能用 LingQ 的三色词汇和点查功能。
- YouTube 视频如果没有字幕 → 只有音频，不能标记 LingQ
- 自己录的播客 → 只有音频，没法听读同步
- Netflix 某集字幕太差 → 导入了但文本乱得没法用
AI 音频转录就是解决这些问题的——它能把任何音频自动变成带精确时间戳的文本。这样：
- 音频和文本精确对齐（点哪句跳到音频哪位置）
- 文本里的每个词都能查释义、标记 LingQ
- 音频变成可交互的阅读/听力双用课程
哪个套餐能用
- 高级版（Premium）：每月有限次数的 AI 转录配额
- Premium Plus：大幅增加转录配额（足够重度使用）
配额消耗：每 1 分钟音频 = 1 个转录积分。高级版约 60 分钟/月，Premium Plus 约 360 分钟/月（具体数字以官方为准）。
哪些场景触发 AI 转录
场景一：导入无字幕 YouTube/Netflix
- 用浏览器扩展打开视频页面
- 扩展检测到没有可用字幕
- 自动提示："Use AI Transcription"
- 勾选后 Import，LingQ 上传音频到 AI 引擎
场景二：上传本地音频文件
- Import → Upload Audio
- 上传 MP3/M4A 等
- 下一步选择 Transcribe with AI
- 提交等待
场景三：已有音频但文本质量差
已经导入过的课程，发现字幕或转录质量很差：
- 打开课程详情页
- 找到 Re-transcribe（重新转录） 按钮
- 触发 AI 重新转录（消耗一个配额）
- 新的转录会覆盖旧的
转录时间
| 音频时长 | 处理耗时 |
|---|---|
| 5 分钟 | 30 秒 ~ 1 分钟 |
| 30 分钟 | 2-4 分钟 |
| 60 分钟 | 5-10 分钟 |
| 3 小时长播客 | 15-30 分钟 |
处理在云端进行，你可以关掉页面做别的。完成后会站内通知 + 可选邮件通知。
转录质量
影响质量的因素
| 因素 | 高质量 | 低质量 |
|---|---|---|
| 说话人 | 单人、母语者、发音清晰 | 多人、口音重、非母语者 |
| 背景噪音 | 安静环境 | 有音乐、嘈杂环境 |
| 音频质量 | 高清、录制好 | 压缩严重、音质差 |
| 语言 | 主流语言（英日法中韩西） | 小语种（北欧、东南亚等） |
| 内容类型 | 新闻、教学、演讲 | 闲聊、多人对话、术语密集 |
不同场景的质量预期
| 场景 | 质量 |
|---|---|
| 英语 TED 演讲 | ⭐⭐⭐⭐⭐ 几乎无错 |
| NHK 日语新闻 | ⭐⭐⭐⭐ 偶有专有名词错 |
| YouTuber 日常 vlog（有背景音乐） | ⭐⭐⭐ 有一些小错 |
| 韩语韩综（多人对话） | ⭐⭐⭐ 人名和快速对白可能错 |
| 法语电影对话 | ⭐⭐⭐ 连读可能没分开 |
| 北欧语言单人播客 | ⭐⭐⭐ 可用 |
| 小语种 + 多人混乱对话 | ⭐⭐ 只能做大致参考 |
转录结果如何修正
转录完成后，一定会有一些错误。修正流程：
- 打开转录好的课程
- 快速浏览一遍文本
- 发现明显错误（专有名词、数字、说话人名字等）→ 直接点击编辑
- 时间戳一般不需要调整（AI 自动对齐得很准）
- 遇到整句完全乱了的情况 → 删除这一句，AI 没识别出来就不要硬留
一个修正示例
AI 转录日语新闻时可能把"内閣総理大臣"（内阁总理大臣）听成"内閣総理大き"。这种专有名词错误你一眼就能看出来，直接改。
转录 vs 手动输入
为什么不自己听着录音打文本？
| AI 转录 | 手动输入 | |
|---|---|---|
| 5 分钟音频 | 30 秒 | 约 20-40 分钟 |
| 30 分钟音频 | 3 分钟 | 约 2-4 小时 |
| 准确率 | 70-95%（修正后可用） | 100%（但很慢） |
结论：AI 转录做初稿，你只修剩下的错误。比从零手打快 10 倍以上。
配额管理
如果你发现转录配额不够用：
- 优先用在高质量内容上——AI 转录越简单的音频越准确，也越省得你修正
- 对同一内容别重复转录——一次好的转录比三次差的好
- 升级 Premium Plus——配额大幅增加，还能解锁其他 AI 功能
- 有些 YouTube 视频的自动字幕其实还行——不一定需要 AI 重新转录，用扩展直接导入 YouTube 自带字幕就行