Windows与Mac视频转文字方案清单：自带工具与免费软件

给部门写内部 Wiki 的时候，我整理了这份清单：Windows 和 Mac 的同事都得能照着用，所以两个系统的方案必须放一起对照，不能只写一半。之所以专门做这份清单，是因为"Mac 上到底能不能转""自带功能行不行"这类问题被问过太多次，每次单独回答都要重复一遍，不如一次写清楚挂到 Wiki 上。写清单我有个习惯——先把"此路不通"的写在最前面，省得大家跟我当初一样，在系统设置里翻了半天才发现自带功能压根干不了这活儿。下面先讲系统自带的局限，再按类型列出真正能用的方案，每个都配一句话步骤和适合的场景，能直接抄就抄。

先排除：两个系统的自带功能都别抱太大期望

很多人下意识先找系统自带的，觉得不用装东西省事。但实测下来，Windows 的实时字幕、语音听写，和 macOS 的听写，定位都是"实时辅助"而不是"文件转写"：

• Windows 自带听写 / 实时字幕：实时字幕是边播边在屏幕上显示，听写是拿麦克风语音打字，两者都没有"导入一个视频文件、跑完给你一份可导出文字稿"的能力；
• macOS 听写：同样是语音输入的定位，面向的是在输入框里说话打字，处理完整视频文件并不顺手，结果也难完整导出。

顺便说一句为什么这么多人会先去试自带功能：一是心理上觉得"系统自带等于不用装、也更放心"，二是不少人见过手机端有实时字幕，就以为电脑端也能一键把视频转成稿子。但这两个系统的自带能力，设计初衷就是"边说边显示"或"语音打字"，不是"拿一个文件跑出一份稿子"。认清这一点，后面选工具会果断很多，也不会在设置里反复折腾。结论一句话：自带功能应付实时场景可以，要把一个视频文件转成能编辑、能导出的文字稿，别在系统设置里耗时间，直接用下面的专门方案。

可用方案清单（按适用系统）

下面这张表是清单主体，先扫一眼哪个两个系统都能用、出什么产物，再看后面的一句话步骤。

各方案一句话步骤（照着点就行）

1. 剪映专业版（桌面客户端）

开始创作 → 视频拖进时间轴 → 顶部「文本」→「智能字幕」→「识别字幕」（语言选中文）→ 校对 → 导出勾「字幕导出」选 SRT。Windows 和 Mac 各下各的安装包，功能一致。识别走云端需联网；要纯文稿得自己把字幕行拼成段落。适合场景：素材本来就要在剪映里精剪、顺带把字幕配上。

2. 网易见外工作台（网页）

浏览器登录 → 项目管理「新建项目」→ 选「视频转写」→ 上传提交 → 排队处理完进校对页逐句核对 → 导出 SRT 或纯文本。每天免费转写时长有限，长视频要掐着额度用。适合场景：要做正式字幕、每一句都想核准。

3. 通义听悟（网页）

网页登录进工作台 → 新建音视频转写任务 → 上传文件 → 结果按发言人分段带时间戳、附摘要 → 导出 Word 或 TXT。长文件排队和转写时间都偏长。适合场景：一两个小时、多人发言的会议录像。

4. Whisper / Buzz（本地离线，涉密素材用）

装 Python 和 ffmpeg → 命令行执行 whisper 文件名 --language zh --model small → 同目录生成 TXT、SRT 等结果文件。视频不出本机，适合内网、涉密素材；速度看机器性能，没独显的机器跑长视频要等。不想碰命令行就用它的图形界面版 Buzz。适合场景：不能上传的涉密内容。

5. 讯飞听见（客户端 / 网页）

Windows 有客户端、Mac 走网页版，新建转写任务上传音视频，转完能区分发言人、导出文稿。做会议采访、要分清谁在说话的场景比较对路；免费额度有限，长期高频用要盯着用量。适合场景：多人会议、访谈这类要分清发言人的素材。

跨端免装那一项：提词匠

单独把它拎出来讲，是因为这份清单里"一份说明、两个系统都能照做"的方案不多，它算一个——不用装软件，借的是本来就有的微信，Windows 和 Mac 的操作还完全一致，写 Wiki 时省掉了给两个系统各写一版的麻烦。

步骤 1：打开微信电脑版，顶部搜索「提词匠」进入小程序（Windows、Mac 的微信操作都一样）。

步骤 2：首页「常用工具」里点「视频转文字」，别点成顶部那个贴链接用的「短视频转文字」。

步骤 3：上传本地视频，一两分钟出分好段的整篇文稿，一键复制或导 TXT、Word、SRT。边界：需联网、一次一个文件。

适合场景：日常录屏、课程、单人口播这类"只要一份能直接用的文字稿"的需求，写一份说明 Windows 和 Mac 的同事都能照着做。

给同事的推荐逻辑（Wiki 结尾三行）

清单再长，落到选择上其实就三句话：

• 要字幕 → 剪映（素材本来要剪）或网易见外（要逐句精修）；
• 要文字稿 → 提词匠，两个系统操作一致，写一份说明两边都能用；
• 素材涉密 → Whisper 或 Buzz 本地跑，视频不出机器。

这三行看着简单，背后其实是"按产物选、按系统兼容性选"两条逻辑：要字幕就挑能逐句校对或跟剪辑打通的；要文字稿就挑跨端一致、出稿直接的；涉密就退回本地离线。对一个两种系统混用的部门来说，能共用一份说明的方案维护成本明显低——不用给 Windows 和 Mac 各写各的教程，也省得有人照着错系统的步骤瞎点。这份 Wiki 在部门里跑了两个月，之后基本没再收到"Mac 上怎么办"的提问。补一句通用提醒：不管哪个方案，口音重、多人抢话、背景音乐大的素材转完都得人工校对，识别准确率的天花板在录音质量，工具只能决定操作顺不顺手。各家免费政策会调整，以官方当前版本为准。