播客转写文本详解:格式、说话人与“干净”的含义
格式有哪些,说话人为什么总标错,可读和可用差在哪,以及怎么抓坏输出。
指南4 min read
播客转写看起来像个已经解决的问题,直到你真正去用它。文字都在,可说话人标错了,段落一行一段,嘉宾的名字有三种拼法。
这其实很正常。语音转文字在“词”这个层面已经很准,但在让转写真正能用的事情上还是不行:谁在说话,句子在哪里断,名字该怎么写。
格式,以及什么时候用哪个
| 格式 | 长什么样 | 用在哪 |
|---|---|---|
| 纯文本 / Markdown | 分段落,说话人不一定标 | 读、引用和粘进笔记 |
| SRT | 带编号的字幕条,00:12:34,000 --> 00:12:38,000 | 放在视频剪辑软件里做字幕 |
| VTT | 跟 SRT 很像,只是样式钩子更多 | 网页播放器和字幕 |
| 带段落的 JSON | {start, end, text, speaker} 数组 | 搜索、LLM pipeline 和自己搭 UI |
写东西就用 Markdown。剪视频就用 SRT 或 VTT。自己搭东西就用 JSON,把字幕重构成数据库这种活,能连出一个礼拜的 bug。
说话人标签是猜的
说话人分离(diarisation,就是分清谁在什么时候说话)跟转写是两个模型,而且先崩的总是它。压缩通话里的两个男声会混在一起。抢话的嘉宾会被并成一个说话人。只说了一句的第三个人,可能整小时都被标成“Speaker 1”。
有几条实用的规矩:
- 双人访谈的标签可以信。 一般来说是对的。
- 多人场的别信。 引用之前先去核对。
- 名字标错的引用绝不许发。 转写只是草稿,音频才是记录。
Podwise 会在音频撑得住的地方标出说话人,转写视图里点任意一行就能直接听到那一刻,这是核对名字最快的方式。
“干净”是个光谱
一份“干净”的转写一般有四个特征:标点符合说话,段落按想法分,名字是统一的,数字按人话写。
值得修的东西:
- 名字。 每个专有名词修一遍。这是单次回报最高的编辑。
- 数字和单位。 “百分之十五”还是“50%”,“两百万”还是“2 million”,全文统一成一种。
- 分段。 一段只讲一个想法,而不是一条字幕条占一段。
不值得修的东西:语气词、说一半改口和语法。它们带着说话的语气,转写读起来像通稿反而更不适合引用。
去哪弄一份
Podwise 里拿。 处理完一期,摘要旁边就有转写。在 App 里读和复制,也能导出 Markdown 或 SRT;想拿 JSON 段落就走 API。翻译用的是同一套结构,双语导出就是原文和译文的段落并排。
自己跑。 Whisper 是默认答案。它好用,也免费,但接下来你会花一个下午折腾切块、说话人分离和时间戳对齐,而这些正是产品已经替你做完的部分。
让 agent 拿。 把 MCP server 连上之后,get_episode_transcript 可以一页一页地给转写,助手不用你复制粘贴,就能替你总结、翻译其中的一段。
到底为什么要转写
有四个理由,按常见程度排:
- 搜。 想找“哪期提过涨价”,这是文本问题。
- 引用。 一字不差的原句加上时间戳,读者才能核查你。
- 翻译。 文本翻译便宜,音频翻译贵。
- 喂机器。 摘要、embedding 和 agent,全都吃文本。
转写还是让摘要变得可核查的东西。如果一个工具只给摘要不给转写,就等于让你信一个没法审计的模型。
关键一查
从任何转写文本(机器转的也算)里发引用之前:
- 点开时间戳。
- 听前后十秒。
- 修名字和数字。
一句引用花十秒检查。这是引用和担责的分界线,也是模型替你做不了的那一步。


