AI 转写的限制：文件大小、时长与准确率
2026年8月7日 · 9 分钟阅读
文件大小只是其中一项限制。录音时长、比特率、音频质量、说话人、语言、处理时间和隐私，都会影响 AI 转写的结果。
AI 转写可以把数小时的讲话变成可搜索的文字，但每项服务都有限制。有些是硬性的技术边界，比如最大上传大小。另一些则是实际问题：文件可能成功上传，却仍然需要仔细审校，因为说话人有重叠、录音嘈杂，或者词汇高度专业化。了解这两者的区别，可以避免上传失败，也能避免对准确率抱有不切实际的期待。
AI 转写有哪些限制？
AI 转写受到文件大小、录音时长、处理时间、音频质量、语言支持、说话人分离以及所需人工审校量的限制。在 Sprechverlauf 上，目前的硬性限制是：每个上传文件最大 100 MiB，每小时最多五次转写启动，单个文件绝对上限 4 小时；此外还有取决于方案的额度——免费试用每个文件最长 10 分钟，每月 3 次转写；使用单日通行证、余额或 Pro 时，每个文件最长可达 4 小时。
| 限制 | 控制的内容 | 实际应对 |
|---|---|---|
| 文件大小 | 上传是否被接受 | 压缩或切分超过 100 MiB 的文件 |
| 录音时长 | 文件限制内能容纳多少音频 | 使用适合语音的比特率 |
| 处理时间 | 模型能否按时完成 | 切分特别长的录音 |
| 音频质量 | 识别准确率 | 降低噪声，让麦克风靠近说话人 |
| 说话人重叠 | 说话人标签和措辞 | 分轨录音，或审校对话交替的部分 |
| 语言与行话 | 人名和专业术语 | 设置语言，并提供重要词汇 |
文件大小限制：每次上传 100 MiB
Sprechverlauf 目前接受最大 100 MiB 的上传文件。这是一个非此即彼的限制：超过的文件必须先压缩或分割，然后才能上传。支持的格式包括 MP3、WAV、M4A、OGG、FLAC 和 WebM，但仅凭格式并不能决定文件大小。比特率、声道数、采样率和压缩方式才是关键。
100 MiB 能装下多长的录音？
兆字节和分钟之间并没有统一的换算关系。紧凑的语音 MP3 可以装下数小时的内容，而未压缩的 WAV 同样大小时，时长要短得多。下表假设采用固定比特率，并且未计入少量容器元数据，因此实际文件可能略短一些。
| 编码 | 100 MiB 内的大致音频时长 | 典型用途 |
|---|---|---|
| 64 kbps 的 MP3 | 约 3 小时 38 分钟 | 注重小体积的语音 |
| 128 kbps 的 MP3 | 约 1 小时 49 分钟 | 通用的语音录音 |
| 192 kbps 的 MP3 | 约 1 小时 13 分钟 | 较高质量的语音或音乐片段 |
| 单声道 WAV，16 位 / 44.1 kHz | 约 20 分钟 | 未压缩的编辑母版 |
对于语音内容，将副本导出为单声道 MP3 或 M4A，往往能大幅减小上传体积，同时不丢失语音模型所需的信息。原始录音请另外保存，转写时使用较小的工作副本。
录音有最大时长限制吗？
免费试用支持最长 10 分钟的文件，并且每个自然月包含 3 次转写和 30 分钟音频额度，每月 1 日重置；使用单日通行证、余额或 Pro 时，每个文件最长可达 4 小时。超出方案本身的限额之后，文件大小和处理时间会形成实际的边界。一段低比特率的长录音可能刚好低于 100 MiB，但把很长的讲座切分为逻辑段落，能让上传更容易，也降低了单段失败后重试的成本，并且让文字稿更便于管理。
- 访谈或会议如果能舒适地放进一个文件，并且说话人的连贯性很重要，就保持为一个文件
- 多小时的会议按场次、说话人或议程条目切分
- 导出前删除长时间静音和纯音乐片段
- 每个切口处保留几秒的上下文，而不要在句子中间切开
- 使用清晰的文件名，让文字稿各段保持顺序
使用限制：每小时五次转写启动
免费服务目前每小时最多允许五次转写启动，作为防滥用的技术保护。这不是一笔可以消耗的付费分钟数储备，也不会因为音频很长而变成更少的额度。如果你有一批大量文件，请先准备并检查所有文件，然后按顺序处理最重要的录音，而不要把启动次数浪费在重复或不完整的上传上。
准确率没有一个诚实的通用百分比
任何单一的准确率数字都无法描述所有录音。在支持的语言中，近距离麦克风录制的清晰语音，远比带有回声、相互打断和专业人名的远距离小组讨论容易识别。即使一份文字稿读起来很流畅，也可能包含错误的数字、专有名词或说话人归属，因此表面上的可读性并不能证明事实准确。
- 背景噪声会掩盖辅音和词尾
- 回声和爆音会去掉软件无法可靠还原的细节
- 重叠的语音会同时增加措辞和说话人归属的难度
- 口音、语码转换和小语种可能会增加错误
- 人名、缩写、产品术语和数字需要人工核对
- 音乐、掌声和长时间的抢话会产生无法使用的片段
说话人识别有用，但并非万无一失
说话人分离回答的是“谁在何时说了话”，它与识别文字内容是分开进行的。声音不同、轮流发言清晰的情况，通常分得很好。声音相似、只有一个字的插话、共用麦克风，以及同时说话，都可能导致标签合并或错位。请听一听开头部分，把通用标签对应到真实姓名，并核实每一处将被引用或发表的归属。
语言与专业词汇的限制
多语言模型覆盖许多语言，但各语言的表现并不相同。如果已知录音语言，就直接设置该语言，可以避免不必要的语言检测错误。对于课程、研究访谈和技术会议，请把重要的人名、缩写和专业词汇添加到提示词字段中。这能提供上下文，但并不能替代校对。
处理与隐私方面的限制
Sprechverlauf 通过 OpenRouter 将录音发送给 Microsoft Azure（付费选项），或 DeepInfra 或 Groq（免费试用）进行 AI 处理，服务商端实行零数据保留。长录音会被切分为 30 分钟一段，并行处理，因此即使是数小时的文件，也能在几分钟内完成。Sprechverlauf 最多在内存中保留文字稿两小时，不会永久存储音频；只有在你登录时，文字稿才会以加密形式保存在你的账户中。如果需要保留结果，请将其导出为 Word 或 PDF。
何时仍然需要人工审校
当错误会带来后果时，最好把 AI 的输出当作快速的初稿。对照录音核实引语，检查数字和名字；对于法律、医疗、涉及保护义务的材料，或其他高风险内容，请使用有资质的人工流程。正确的问题不只是“模型能不能转写这个文件”，还要看“得到的证据是否足够可靠，能用于其预期用途”。
开始长时间转写前的检查清单
- 确认文件不超过 100 MiB
- 把超大的 WAV 文件转换为语音质量的 MP3 或 M4A 副本
- 在自然的段落边界处切分多小时的录音
- 已知语言时直接选择录音语言，而不依赖自动检测
- 添加人名和专业术语作为上下文
- 为说话人分离设置正确的说话人人数
- 计划核实引语、数字、人名和敏感论断
- 离开结果页面前导出完成的文字稿