讲话变文字与多语言字幕

开始前准备

• 完成输入设备和识别模型检查；远程通话须试录确认输入包含所需声音。
• 需要译文时，先完成翻译文本试用；ONNX／FunASR 实时管线目前最多三路译文。

使用阿里云实时转写

Aliyun · Paraformer 实时转写已包含在 r466 预览版；r468 候选版进一步统一模型配置。在配置引导保存一次地址、Key 和模型，录音时选择已保存的 Aliyun，更换模型点击「管理服务」。服务端确认句子，停止后继续等待收尾；云账号和实体麦克风验收仍待完成。

查看带截图的 Paraformer 配置步骤 →

使用豆包语音实时转写

r468 候选版包含独立的豆包语音实时识别连接。在配置引导保存一次语音服务地址、Key 和资源，录音页选择已保存的 Doubao；更换资源点击「管理服务」。请把源语言设为自动、提示留空，停止后等待确认。账号与实体录音效果仍需验证。

查看带截图的豆包语音设置教程 →

识别模型怎么选、怎么安装

ASR 与 STT 都是把语音转成文字。打开配置引导页 → 本地模型库，将用途设为「语音识别」，再选模型家族；可分别登记多个模型、大小或量化版本，使用时再选择已登记的条目。

1. 已有文件，点击对应卡片的登记已有模型。给不同大小或量化版本起易分辨的名称，浏览选择模型文件夹或文件，再登记。若表单中有未保存内容，先登记、保存或取消，再切换模型。
2. 还没有文件，点击下载准备，选择 Hugging Face 或 ModelScope，以及自选磁盘上的可写文件夹，然后扫描。核对文件选择与总大小后，再明确开始下载；打开预设不会自动下载。
3. 下载完成后，明确加入模型库。Whisper 需要选中实际下载的 GGML 文件；FunASR Nano 的根 model.pt 已含语言模型权重，不需另行下载 Qwen 权重。
4. 刷新组件状态并检查文件。若当前构建没有后端或识别组件，请使用包含该组件的安装包；登记模型路径不会自动安装组件。
5. 试转录一段短录音，核对文字后完成并保存配置。找到组件、下载完成、文件检查通过，都不等于识别质量或实时性能已满足要求。

登记后，在库上方「转录使用的模型」选择名称，点击「检查模型」，再展开「试转录一段录音」。需要下载时，点击当前家族旁的「下载准备」，或展开库后方的「下载模型与组件」；先核对来源和目标磁盘，再明确开始下载。登记只加入当前草稿，最后请完成并保存配置。

本地 SenseVoice 与 FunASR Nano 使用分段识别，临时文字可能在定稿前变化。实时 API 先在配置引导中保存连接，再到录音设置选择兼容的已保存服务。只有明确提交的音频会发送到相应服务。

本地 Fun-ASR-Nano 转写长文件时，录音按最长 16 秒的非重叠片段依次处理，不足 16 秒的末段也会处理。各片段独立保留文字，重复发言仍需对照录音复核。查看分段进度，取消后等待任务结束。模型未正常结束生成时会报错；取消或失败不算全文转写成功，保留原录音，检查提示后再重试。

FunASR Nano 模型文件与许可 · Whisper GGML 模型文件

逐步操作

1. 01

   先录一句完整的话

   打开「实时字幕」，点击「开始」，用正常音量说一句话。临时文字可能变化；等段落定稿后再判断内容。结束时点击「停止」。

   12

   1. 1这里显示识别中的临时文字。
   2. 2译文按语言和段落展示。

2. 02

   开启需要的翻译语言

   在配置中选定已测试成功的翻译服务与主目标语言。先试一种语言，成功后再增加额外语言；每种语言分别请求，可能增加耗时。修改在下一次录音生效。

   1234

   1. 1选择已配置的翻译服务。
   2. 2先填写一小段测试原文。
   3. 3选择目标语言。
   4. 4配置有效后点击开始翻译。

3. 03

   需要小窗时打开「悬浮转录」

   点击顶部「悬浮转录」。悬浮控制里的麦克风开始／停止转录，返回按钮可回主窗口。双语字幕窗用于阅读；先用点击方式确认录音状态，再试已配置的快捷键。

   

4. 04

   复核、复制或导出

   停止后打开「原始文本」复核，点击复制或导出文本。译文失败时进入「翻译恢复」明确重试；重试云端请求可能再次计费。

   12

   1. 1复制识别原文。
   2. 2将原文导出为文本文件。

已有录音，转成文字

会议录音、课堂录音或口述备忘已经保存为 WAV 时，可以从「音频转写」导入。API 文件转写目前接受最长 60 分钟、大小不超过 256 MiB 的 WAV。软件会为识别准备单声道 16 kHz 音频，保留原文件。麦克风实时字幕请按上方步骤操作。

1. 01

   在配置引导里保存服务

   打开「配置引导页」，进入「API 提供商」，展开「Qwen Audio 3.1」。启用该服务，在 Base URL 中填写工作区 HTTPS 根地址，将下方的 WorkspaceId 换成你的阿里云工作区 ID。

   https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com

   填写该工作区可用的 API Key，在 ASR 模型框中完整填写 qwen-audio-3.1-asr-flash。只填一个模型名称，不用逗号分隔，也不要把接口路径接到根地址后面。继续到最后一步，点击「完成并保存」；直接关闭引导会丢弃本次修改。

   已有 OpenAI 兼容文件转写服务时，在「OpenAI」项保存对应 Base URL、API Key 和可用的 ASR 模型，再完成保存。本地兼容服务可按其要求留空密钥。提供商的其他 ASR 模型不一定使用相同接口，不会全部列入转写列表。

   查看阿里云官方录音识别 HTTP 文档

2. 02

   选录音，再选已保存的服务

   回到主窗口，点击「音频转写」，再点「选择文件」选中 WAV。弹窗默认使用「本地模型」；需要云端或兼容 API 时，切换到「API 服务」，在「已保存的服务」中选择连接。核对显示的模型和服务主机，弹窗里不需要再次填写地址或密钥。

   中文录音在「录音语言」中选择「中文」；不确定语言时选择「自动识别」。这个选项描述录音中的语言，不是翻译目标语言。列表为空时点击「配置服务」，弹窗会关闭并打开配置引导；保存后重新打开「音频转写」。

   1234

   1. 1点击「选择文件」，选中自己的 WAV。
   2. 2选择已保存连接，核对下方模型和服务主机。
   3. 3选择录音语言，这里不是翻译目标语言。
   4. 4阅读上传提示后，点击「开始转写」。

3. 03

   确认上传位置，开始转写

   阅读弹窗中的上传提示，再点击「开始转写」。API 模式会把录音发送到所选服务，可能产生费用。Qwen 每段不超过 3 分钟，OpenAI 兼容服务每段不超过 5 分钟；软件会在整份文件的限制内自动分段，不需要手动切开录音。

   处理期间可查看已完成的段数。需要停止时点击「取消转写」，等待取消结果；按 Esc 也会请求取消。显示「保存中」时，会议正在归档，等待保存结束。

4. 04

   打开会议记录，逐段核对

   成功后录音会保存为会议，在「会议与纪要」中选择新会话。对照原录音检查人名、数字和专有名词，再继续翻译、生成纪要或导出。

   这条 API 导入流程的时间标记是录音分段边界，尚不采用服务返回的词级时间戳或说话人标签。发言人未识别时请人工核对，不要把同一分段当成同一个人。

遇到问题

接下来