录音转文字软件怎么选：免费、离线、直接读 AAC 和 M4A 的方案
ClapClip 团队 · 发布于 2026-11-09 · 约 8 分钟阅读
录音转文字这件事，难的从来不是“转”，而是三个附带条件：文件是什么格式、要不要上传、转完花多少钱。手机录的是 M4A，会议软件导出的是 MP4，微信里收到的语音是 AAC 或 OGG 封装，转到一半弹出“本月免费额度已用完”的在线工具不在少数。这篇讲清楚格式、模型和“免费离线”的真假，并说明 ClapClip 的离线转写 在 Windows 上是怎么处理的。
要点
- AAC、M4A、OGG、WAV、FLAC、MP3 都能直接转，不需要先转成别的格式；MP4、MOV、MKV、WEBM 视频自动抽取音轨。
- 三档模型：快速、均衡、精确，对应本机运行的 Whisper small、medium、large-v3-turbo；日常用均衡，要引用原话用精确。
- 语言可以指定，也可以自动检测，支持 40 多种语言，中文和粤语是分开的选项。
- 一次导出 TXT、SRT、VTT 或 Word 文档，字幕按词级时间戳切分。
- 全部在本机运行，录音不上传；免费，没有时长和次数上限。
先看文件是什么格式
| 文件来源 | 常见格式 | 能否直接转 |
|---|---|---|
| iPhone 语音备忘录、多数安卓录音机 | M4A（AAC 编码） | 能 |
| 视频里的音轨、导出的音频 | AAC、MP4、MOV | 能，视频自动抽取音轨 |
| 微信、Telegram 等聊天软件的语音 | OGG、.opus | OGG 能；.opus 需要先转一次 |
| 录音笔、音频接口 | WAV | 能 |
| 存档的高质量录音 | FLAC | 能 |
| 播客、旧录音机 | MP3 | 能 |
| 旧 Windows 录音机、功能机 | WMA、AMR、3GP | 需要先转一次 |
规则：扩展名在支持列表里就直接拖进去，不要为了“保险”先转成 MP3——每一次有损转码都会抹掉一点识别模型要用的细节。确实需要转换的少数格式，用任何转换工具转成 WAV 一次即可，ClapClip 自带的格式转换器也能批量做。
“aac转文字”为什么不用先转格式
AAC 是 MP4 视频、苹果设备和大多数流媒体默认的音频编码，所以“AAC 转文字”的需求通常有两种：一个独立的 .aac 或 .m4a 文件，或者一段视频里的 AAC 音轨。ClapClip 两种都直接解码，拒绝 AAC、要求先转 MP3 的工具只是在多做一步有损转换。同样道理，相同码率下 AAC 保留的语音细节比 MP3 多，拿到什么格式就转什么格式，是质量最好的做法。AAC、M4A 和其他音频格式的详细说明见 音频转文字。
三档模型怎么选
| 应用里的选项 | 实际模型 | 适合 |
|---|---|---|
| 快速 | Whisper small，5 位量化 | 只要一份能搜索的草稿，或者机器没有独立显卡 |
| 均衡（默认） | Whisper medium，5 位量化 | 会议、课程、播客，大多数日常录音 |
| 精确 | Whisper large-v3-turbo，5 位量化 | 要引用原话、人名数字多、专业术语多、英语以外的语言 |
三档都免费，区别只在时间和内存。应用默认一次只跑一个大模型任务，避免两个任务抢显存。拿一段五分钟、包含人名和最吵片段的录音，用均衡和精确各跑一遍对比，比任何“准确率百分比”都可靠。
规则：先用均衡。人名、数字或者中文以外的语言出错，换精确；只要草稿、机器又慢，换快速。
语言、翻译和静音跳过
- 指定语言比自动检测稳：开头几秒判错语言，整段都会乱。中文和粤语是两个独立选项。
- 翻译成英文：打开开关后，模型把任意支持语言的语音直接输出为英文文本，适合要给海外同事看的会议纪要；翻译请用均衡或精确模型。
- 静音跳过自动开启：长录音里的空白、换页、开场前的等待不会送进模型，省时间，也避免识别模型在静音处“编”出句子。
导出什么格式
| 格式 | 用途 |
|---|---|
| TXT | 笔记、搜索、粘贴进文档 |
| SRT | 视频播放器和剪辑软件的字幕 |
| VTT | 网页视频字幕 |
| DOCX | 带标题栏、源文件名和时长的 Word 文档，正文是可编辑段落 |
字幕按词级时间戳切分，默认每行 42 个字符、最多两行。转写结果可以在编辑器里校对后再导出一次。
怎么判断“免费离线”是真的
- 拔网线测试：联网跑一次让模型下载完成，然后断网再转一个文件。能转，就是本机运行；转不动，音频去了别处。
- 看免费的边界：每月分钟数、单文件时长上限、能不能下载 TXT/SRT、有没有水印、要不要注册。
- 问用的是什么模型：Whisper 系列是现在的准确率基线，带标点和大小写；用旧引擎的工具出来的是没有标点的小写文本。
- 看数据条款：录音保留多久、会不会用来训练。本机运行的工具这一条天然为零。
ClapClip 的答案：转写在本机运行，首次使用会下载模型，之后断网可用；没有分钟数、次数和文件时长限制，TXT 和 SRT 没有水印，不需要注册。
批量处理一个文件夹
把一门课、一季播客或一周的会议录音放进一个文件夹，用 批量转写 一次排队，一种语言一个队列，每个文件一份转写稿。队列可以暂停和继续，已完成的文件不会丢。有独立显卡会快很多；只有 CPU 也能跑，插上电源放一晚上。
结论
拿到什么格式就转什么格式，AAC、M4A、OGG 都不用先转；默认均衡模型，要引用原话换精确；指定语言；要笔记导 Word，要校对导 SRT。整个过程录音不离开电脑，不计费、不限时。从 免费转写软件 页面开始。