TurboScribe 是一款基于 Whisper 的浏览器端 AI 转写服务，可将音频与视频转成 98 种以上语言的文字，支持说话人识别、字幕导出与内建翻译。免费档每天可转写三个文件，付费的无限档则取消了数量上限，适合需要处理大量长录音的研究者、记者与播客创作者。
用过这个工具吗？给它评分
TurboScribe 是一款在浏览器中运行的转写服务，把音频和视频文件变成可读、可编辑的文字。你上传一段录音，选好语言和质量模式，几秒到几分钟后就能拿到一份排好版的文稿，可以阅读、搜索、修改、翻译，也可以导出成文档或字幕文件。
这款产品真正的定位不在于「准确」，而在于它拆掉了这个品类通行的按量计费模式。官方在首页把自己描述为「全球唯一的无限量转写服务」，强调没有上限、没有配额，付费档卖的是不限量转写，而不是一桶分钟数或小时数。对任何眼看着按分钟计费的账单在一个研究项目里越滚越高的人来说，这个定价结构上的选择，往往比小数点后几位的准确率差异更有分量。
底层技术上，TurboScribe 并没有自研语音模型，而是直接运行 OpenAI 的 Whisper，官方在首页也坦率写明了这一点。这比一般的技术脚注更值得注意：它意味着你拿到的转写质量本质上就是 Whisper 的质量——而这一点在公开研究里有充分记录——真正属于团队自身的工程贡献，在于 GPU 算力、速度、说话人标注、翻译、文件管理，以及套餐的经济性设计。
这项服务由一个小团队运营。首页常见问题以第一人称写成，创始人自称 Leif，自述曾在 Meta 等公司从事近十年 AI 系统建设，技术支持直接对接他的个人邮箱。在与大型企业级厂商做对比时，这一点值得先想清楚：你买到的是一个专注的产品和与创始人的直接沟通，而不是一个带有正式采购流程和可谈判服务等级协议的大型组织。
语音转文字市场大致分成四类。一类是按分钟收费的人工转写，准确率接近完美，但要等上几小时甚至几天；一类是会议助手，实时加入通话并输出摘要；一类是创作套件，把文稿当成剪辑媒体的时间线；还有一类是纯粹的「文件进、文字出」的转写工具。
TurboScribe 稳稳落在第四类，并且只朝一个方向做到极致：单位成本下的吞吐量。它不会加入你的会议，不剪辑视频，也不试图变成一个协作空间。它只做一件事——按月付固定费用，大批量地把文件变成文字。想清楚这个边界，是判断它是否适合你的最快方式，因为绝大多数对它的失望，都源于期待它成为另外三类产品。
无限档取消了按文件和按分钟的配额限制。官方常见问题对这句话的含义解释得罕见地直接：整体使用量没有上限，客户经常每月转写数百小时，唯一的规则是不能把账号共享给别人。
官方还公布了一个工程指标，而不是躲在含糊措辞后面：系统设计目标是支撑每月至少 720 小时的音视频转写——官方特意点明，这相当于连续 30 天、每天 24 小时不间断地转写。超过这个量级（被描述为使用量前 0.1% 的用户），官方的做法是提供一份使用指南，而不是直接切断服务。相比业内「宣传无限、把限流条款埋进服务条款」的常见做法，这个姿态要诚实得多。
它没有把模型做成一个黑箱，而是让你按文件自行选择准确率与速度的取舍。三档模式直接对应不同规模的 Whisper 模型：
鲸鱼档是默认选项，这个默认设得很对。三档之间的差别是模型容量，而不是后期润色，因此模式选择是你能掌控的、对输出质量影响最大的单一杠杆。只要素材里有口音、专业词汇或音质瑕疵，留在鲸鱼档就不是可选项，而是必须。
说话人识别在上传前通过勾选启用，会给文稿的每一段标注说话者。你可以直接指定参与人数——界面提供 2 到 8 人的预设——也可以让系统自动检测。官方说明这会让每小时音频多花一到两分钟处理时间。
这里的实用建议是：知道人数时就直接填。自动检测需要从音频本身推断有几个声音，用一个已知数值把搜索空间框住，通常比让系统自己猜能得到更干净的分段边界。
翻译是独立于转写的一个步骤，这个架构上的区分很有用。文稿生成后，点击翻译按钮会打开一个工具，选择目标语言和文件格式，就能得到翻译后的文稿或字幕文件，官方称覆盖 130 种以上语言。
另外还有一个在上传阶段生效的「转写为英文」选项，可以把任意支持语种的音频直接变成英文文本，而不必先按原语言转写。这两条路径结果不同，适用场景也不同：直出英文胜在一步到位；先转写再翻译则保留了一份准确的原语言文稿，你可以先校对再翻译。
对于音质确实很差的录音，「修复音频」选项会用 AI 去除背景噪声、增强人声，再进行转写。官方对使用时机的说明相当克制，明确写着仅建议作为音质不佳文件的最后手段，并注明每小时素材会多花 2 到 3 分钟处理时间。把降噪当成兜底而非默认，在技术上是稳妥的——对本来不需要处理的录音做激进增强，反而会引入新的失真。
文稿可导出为 PDF、DOCX、TXT、CSV，以及 SRT 和 VTT 字幕文件。CSV 这个选项容易被忽略，但对做结构化分析的人很有价值，因为它让带时间戳的分段可以直接导入表格或分析脚本。
批量操作负责多文件导出，按文件夹导出一次最多可覆盖 1000 份文稿。无限档还支持一次上传 50 个文件。这几项组合起来，才让大规模档案项目从「理论上可行」变成「实际可做」。
它接受绝大多数常见音视频容器格式，包括 MP3、M4A、MP4、MOV、AAC、WAV、OGG、OPUS、MPEG、WMA、WMV、AVI、FLAC、AIFF、ALAC、3GP、MKV、WEBM 等。实际使用中，这意味着上传前基本不需要转码，对于源文件格式五花八门的档案整理工作，省掉了一个相当烦人的环节。
这一节值得格外仔细地看，因为那个招牌数字是关于这款产品被引用最多、却被检验最少的一条事实。
官方在站内多处醒目位置宣传 99.8% 的准确率。这个数字是厂商自行公布、未经独立审计的，官方并未公开测试方法、数据集、音频条件或错误计数口径。与这个品类中大多数厂商准确率数字一样，它应当被理解为在干净、清晰、单人、且语言支持良好的理想条件下得出的最佳值，而不是适用于你手头素材的保证。
由于鲸鱼档运行的是 Whisper large-v2，针对这一具体模型的公开基准就直接相关。第三方机构 Artificial Analysis 的独立评测显示，Whisper large-v2 在其综合基准上的词错误率为 4.1%，该基准混合了对话类音频、议会演讲与财报电话三类素材。换算过来约为 95.9% 的词准确率——对自动语音识别而言这是相当优秀的成绩，但也明显低于 99.8%。
这个差距并不能说明厂商不诚实，它反映的是一个被充分理解的事实：准确率是音频条件的函数，而不是模型的固定属性。干净的英文录音棚旁白确实可以接近那个更高的数字，混合的真实素材则不会。
关于 Whisper 的公开研究把失效模式记录得很清楚，而且这些结论可以直接迁移到 TurboScribe，因为它们是同一个模型家族：
官方在语言维度上是透明的，其常见问题明确写着语音转文字的准确率因语言而异，并公布了一份表现最佳的语言清单，同时建议用户先用免费档实测。这条建议值得照字面执行。
社区与用户侧的实测反馈指向一致的图景：干净的单人音频表现优秀；录音良好的双人访谈说话人分离干净；一旦有三人以上并且互相插话，说话人标注就会开始混乱。对任何出错会带来实际后果的用途——法律、医疗、新闻引述、合规——文稿都应当被当作一份高质量初稿，需要对照原始音频核实，而不是当作最终记录。
做访谈研究的学者面临一个结构性的成本难题：转写按分钟计价，而严谨的质性研究会产生大量访谈时长。固定月费改变的其实是研究设计本身，因为它消除了「少录一点」或「挑着转写」的动机。官网上一位学院教授的评价能说明这个量级的差异——他提到自己过去要让学生为一小时音频付出八小时的转写工作。
说话人识别和 CSV 导出是这里最要紧的两项功能，因为质性数据编码通常意味着要把发言归属到具体受访者，并把片段导入分析软件。
记者需要的是快速可检索的文本，价值往往在于从 90 分钟的谈话里定位某一句话，而不是发表整份文稿。鲸鱼档加说话人标注，几分钟内就能把录音变成可搜索的文档。这里必须坚守的纪律是：发表前逐句核对原始音频。自动转写在专有名词上出错是常态，而引述失真或张冠李戴属于严重的职业事故。
播客用文稿来做单集页面、搜索引擎收录、社交媒体切片和无障碍支持。不限量的模式很适合有存量节目的周更播客，因为给往期节目补做文稿，恰恰是按量计费最惩罚的那种批量工作。双人访谈是说话人分离最理想的形态；多人圆桌若插话频繁，说话人标注需要人工清理。
SRT 和 VTT 导出加上 130 多种语言的翻译，构成了一条完整的字幕工作流，不需要额外工具。创作者可以先转写视频，校对文稿中的错误，再生成多个市场的翻译字幕文件。先校对再翻译至关重要，否则转写阶段的错误会被复制到每一种下游语言里。
录制好的会议和讲座转写效果通常不错，因为这类内容结构清晰、有人主持，录音条件也大体合理。需要注意的是，它不会加入实时通话，只处理事后的文件——所以这个用法成立的前提是你本来就有录音习惯。对团队而言，这意味着「录音」这一步必须先存在于你的流程中，它才能派上用场。
官方明确面向这些领域，其安全常见问题开篇就点明大量客户来自法律或医疗等对数据安全、隐私与保密性要求严苛的行业，隐私架构也确实支撑得住这个定位。但准确率上的告诫在这里适用力度最大：专业术语和关键细节必须人工核实；受监管的工作还需要确认美国数据存放地以及缺少正式签署协议这两点，是否满足你的合规义务。
首页标明初次转写「无需账号」，可以直接拖入文件，在投入任何成本之前先评估输出质量。务必用一份真正有代表性的样本——挑你日常素材里音质最差的那种，而不是最好的那种——因为决定这个工具对你是否真的可用的，正是那份录音。
主动选择源语言，不要依赖默认值。官方把语言分成「常用」「更多高准确率语言」和「其他语言」三组，这个分组本身就是一个有用的准确率信号。如果你的语言落在第三组，就要相应下调预期并仔细测试。
从默认的鲸鱼档开始，也就是准确率最高的一档。只有在速度确实比质量更重要时才降到海豚或猎豹档——比如你只是想在一段长录音里定位某个时间点，而不是产出一份可用文档。省下的时间以分钟计，而质量上的代价可能要用几小时的校对来偿还。
任何多人录音都应启用说话人识别，知道人数时就直接指定。这个设置在上传时生效，设错就意味着整个文件要重跑一遍。
把「修复音频」留给确实劣化的录音。它要多花处理时间，而且正如官方自己所建议的，它是最后手段，而不是一个默认的质量提升开关。
对照音频通读文稿，修正专有名词、专业术语，以及任何读起来「异常通顺」的段落——在音质困难的片段里出现异常流畅的文字，可能正是幻觉的信号。校对完成后再按需导出。务必先校对再翻译、再生成字幕，避免错误被成倍放大到下游。
改善录音，而不是修补文稿。 源音频每提升一点，都会在减少校对工作量上成倍回报。独立麦克风、安静的房间、以及让发言者不要抢话，这三件事对结果的改善远超界面里任何一个设置项。
把档案工作攒成批。 由于无限档支持一次上传 50 个文件、按文件夹导出最多 1000 份文稿，积压项目最好当作有计划的批次来处理，而不是一个一个地传。
先做语言试点。 在正式投入多语种项目前，先用免费档为每种语言各转写一小段样本。厂商公布的语言排名只是起点，真正决定结果的是你自己的发言人、口音和领域词汇。
把幻觉当作真实风险，而不是理论风险。 在低资源语言和近乎静音的段落里，Whisper 可能生成从未被说出的文字。相对于周围音频显得「过于流畅」的段落，值得直接回到录音核对一遍。
不要共享账号。 这是无限档附带的唯一一条明确规则。团队需要各自独立的账号，官方也另行提供了面向团队与组织的说明。
它最适合高频次的个人用户——研究者、记者、播客主、学生、讲师，以及需要处理大量录音、希望成本可预期的独立专业人士。恰恰是在用量大的时候，这套经济模型才对你有利，因为固定费用对应不限量使用，用得越多越划算。
它同样适合多语种内容创作者，98 种以上的转写语言加上 130 多种语言的翻译，在一个产品里就能覆盖。
对注重隐私的专业人士而言，考虑到这个价位，它的适配度高得有些反常——原因在于后文详述的自有机器处理与不用于训练的承诺。
它不适合这几类需求：希望实时抓取并总结会议的团队；希望文稿直接挂载媒体剪辑时间线的编辑；以及需要签署数据处理协议、保证可用性或要求数据存放在美国境外的组织。如果你需要的是无需人工复核的、认证级别的逐字准确度，它同样不是正确的工具——包括它在内，没有任何自动化服务能做到这一点。
TurboScribe 在网页浏览器中运行，无需安装软件，文件通过浏览器界面上传，因此在各类桌面操作系统上都能使用，不需要针对平台的独立版本。
付费档的上传规格相当宽松：单文件最长 10 小时、最大 5GB，一次最多 50 个文件。免费档则限制单文件 30 分钟、一次一个文件。
有一项集成值得一提：官方发布过 TurboScribe GPT，让用户可以在 ChatGPT 中对文稿做总结和追问。这是通往外部助手的桥梁，而不是内建的摘要功能——如果你原本期待文稿旁边就有原生 AI 摘要，这个区别是相关的。团队计费方面的具体安排以官方面向团队与组织的说明为准。（信息待验证：具体团队席位与计费细则以官方为准）
官方公开列出两个档位，无需登录即可查看具体金额。
免费档完全免费，包含每天 3 份转写，单文件最长 30 分钟，一次上传 1 个文件。免费档文件处理优先级较低，在繁忙时段等待更久。值得注意的是，免费档在质量上并未被阉割——官方博客宣布过，最高准确率的鲸鱼档已向免费用户开放。这让免费档成为一条真实的评估路径，而不是一个被降级的演示版。
无限档为按年订阅每月 10 美元、全年 120 美元，或按月订阅每月 20 美元。包含单人不限量转写、10 小时 / 5GB 上传、一次 50 个文件、全部转写模式、134 种以上语言的翻译、批量导出、无限存储空间以及最高处理优先级。订阅可随时在账号设置中取消，取消后仍可使用至当前计费周期结束。
对任何做出这类宣称的产品，这个问题都值得追问，而这里的证据比一般情况要扎实。查阅官方公开的服务条款后，未发现单独的公平使用条款对转写量做出限制。实际存在的约束是：通用的随时暂停或终止账号的权利、禁止转售或滥用服务，以及明确写出的禁止共享登录凭据。
最接近用量门槛的表述，是常见问题中「系统设计支撑每月至少 720 小时」这一句，超出该量级的用户（被描述为前 0.1%）会被引导至一份使用指南。这读起来像是容量说明，而不是隐藏上限。来自评测平台的证据提供了一条补充：部分 Trustpilot 用户反馈曾在繁忙时段遇到非预期的使用限制，以及大文件处理报错，因此在极端用量下，实际体验可能不如宣传语那样绝对。
计费才是更普遍的抱怨点。Trustpilot 上的评价反复提到非预期扣费、自动续订和取消困难。建议在年度续订日之前设好日历提醒，并慎重选择计费周期。
对转写工具而言，这一节不是走过场。会议录音、客户访谈、医疗或法律对话，属于一个组织所能接触到的最敏感材料，而这些音频流向哪里，直接决定了这个工具在工作场景中能不能用。官方公开的承诺明显强于该品类的平均水平。
不经第三方处理。 官方表述得很直接：不使用任何第三方转写 API 或服务，所有音视频转写都在自有或自控的机器上完成。你的音频不会被转发给外部语音接口。对做供应商风险评估的人来说，这大幅简化了数据流向的梳理。
不用你的数据训练模型。 安全常见问题对此的回答是直接的否定：不会使用用户的媒体文件或转写稿训练 AI 或机器学习模型。考虑到它使用的是预训练的开放模型，本就不需要客户数据来改进自身系统，这项承诺在结构上也是可信的，而不只是一句表态。
静态与传输加密。 文稿与媒体文件采用 AES-256 静态加密，官方强制使用 HTTPS/SSL 加密连接，并声明拒绝一切经由公网的明文连接。
访问控制。 除非你主动分享文稿，否则只有账号持有者本人可以查看或编辑媒体文件与文稿。没有迹象表明存在对用户内容的常规人工审核。
保留期由用户掌控。 这是需要理解清楚的微妙之处：官方并未公布固定的删除期限。隐私政策写明，上传内容存储在其服务器上，除非你主动删除，否则内容可能在账号存续期间一直保留。删除立即生效且不可逆——已删除的文件无法恢复或还原，删除账号会立刻永久移除全部文件。换句话说，默认状态下保留期是无限期的，只有在你主动管理时才会变短。处理敏感音频的团队应当把「删除」写进流程，而不是假定它会自动过期。
数据存放于美国。 主要数据基础设施位于美国，隐私政策也明确提示，欧盟、英国及美国境外用户提供的信息将被传输并存储在美国。如果你的合规义务要求数据留在欧盟或本国境内，这是一个硬性阻断项，无论其他承诺多么可靠。
支付。 支付通过 Stripe 处理，官方声明不在自有服务器上保留信用卡号。
Otter.ai 瞄准的是另一件事：实时加入会议，生成即时笔记与摘要，并与日历、会议工具集成。如果你的需求是实时会议记录与协作，选它；如果需求是批量文件转写，选 TurboScribe。
Rev 同时提供自动与人工转写，人工档的准确率是任何自动系统都达不到的，价格按分钟计。当某份文件必须接近完美、正确性优先于成本时，Rev 更合理；当用量优先于单份完美时，TurboScribe 更合理。
Descript 把文稿当作剪辑界面——改文字就是改媒体。对希望把剪辑与转写统一起来的播客和视频制作者来说，它覆盖了 TurboScribe 并不涉足的领域。
自建 Whisper 是最直接的对照，因为那本来就是同一个模型。自己跑 Whisper 没有每小时成本，音频完全留在自有硬件上，这是隐私姿态的上限。代价也很实在：需要够强的硬件，large 级模型对资源要求高，而且说话人标注、翻译、字幕导出、存储和文件管理都得自己搭。TurboScribe 诚实的价值主张在于，它卖的是围绕一个你本可以自行运行的模型所构建的 GPU 算力和产品体验。
准确率宣称未经验证。 99.8% 是厂商自报数字，未公布方法论，也无独立审计；而对底层 large-v2 模型的独立基准测试，在混合真实音频上测得约 4.1% 的词错误率。请按基准值而非广告语来做规划。
质量是条件性的，不是固定的。 口音、串音、背景噪声和低资源语言都会实实在在地拉低效果，官方自己也承认准确率因语言而异。
弱条件下存在幻觉风险。 Whisper 可能生成从未被说出却读来通顺的文字，在低资源语言中尤其如此。通顺并不等于正确。
鲸鱼档跑的是 large-v2，而非 large-v3。 公开研究指出 large-v3 恰恰在带口音与非母语语音上有所改进，口音较重的用户用的是更早的一代。
不是实时会议工具。 它处理上传的文件，不加入通话，也不产出实时纪要。
摘要功能在站外。 文稿摘要要通过另行发布的 TurboScribe GPT 在 ChatGPT 中完成，而非原生功能。
默认保留期无限期。 只要账号存续，未删除的文件就会一直保留。敏感工作流需要一套明确的删除例程。
数据仅存放于美国。 对有欧盟或本国境内存储要求的组织，这是硬性约束。
计费摩擦是最集中的抱怨。 评测平台的反馈反复提到非预期扣费、自动续订与取消困难，请主动管理续订日期。
小团队厂商。 创始人直接支持在响应速度上是真优势，但它不等同于企业级采购流程、合同化服务等级协议或可谈判的数据协议。
无限是按人计的。 该套餐覆盖一个人，明确禁止共享账号。
可以，而且免费档是真正可用的：每天 3 份转写，单文件最长 30 分钟，一次一个文件，处理优先级较低。关键在于免费用户也能使用准确率最高的鲸鱼档，因此免费档测的是真实输出质量，而不是一个降级版本。在付费之前，用它来评估自己的实际素材，是正确的做法。
无限档按年订阅为每月 10 美元、全年 120 美元，按月订阅则为每月 20 美元——选择年付相当于把单价砍半。套餐包含单人不限量转写、10 小时上传、全部模式、翻译、批量导出与最高优先级。可随时取消，并保留至已付费周期结束。
这是厂商自报数字，未经独立审计，也没有公布方法论。对鲸鱼档所用的 Whisper large-v2 模型，独立基准在混合真实音频上测得约 4.1% 的词错误率，即约 95.9% 的准确率。请把 99.8% 理解为干净、清晰、单人英语条件下的最佳值，而不是通用保证，并务必用自己的录音实测。
公开的服务条款中不存在单独的公平使用条款来限制转写量。官方声明整体使用无上限，客户经常每月转写数百小时，系统设计支撑每月至少 720 小时，超出部分给的是指南而非切断。唯一的明确规则是不能共享登录凭据。不过确有用户反馈在繁忙时段遇到过非预期限制，因此在极端用量下，实际表现可能不如宣传绝对。
文件与文稿以 AES-256 静态加密存储，传输强制走 HTTPS/SSL。转写在官方自有或自控的机器上运行，不涉及任何第三方转写接口；除非你主动分享，否则只有你本人能访问。保留期默认不设时限：只要账号存续且你未删除，内容就会保留；而删除是立即且永久的。
不会。官方明确声明不会使用用户的媒体文件或转写稿训练 AI 或机器学习模型。由于该服务运行的是预训练的开放模型，并不依赖客户数据来自我改进，这项承诺与产品的实际构建方式是一致的。
转写覆盖 98 种以上口语，文稿与字幕可翻译至 130 种以上语言。质量明确不是均等的——官方声明准确率因语言而异，并公布了表现最佳的语言清单，其中包括英语、西班牙语、法语、德语、意大利语、葡萄牙语、中文、日语、俄语、阿拉伯语、印地语和韩语。清单之外的语言，尤其是低资源语言，出错与幻觉风险更高。
可以。说话人识别在上传前启用，会按说话人给文稿分段标注，支持 2 到 8 人的预设或自动检测，每小时音频增加一到两分钟处理时间。在录音良好的双人访谈中表现干净；一旦有三人以上且插话明显，标注可能出现混淆，需要人工修正。
上传几乎覆盖所有常见音视频格式，包括 MP3、M4A、MP4、MOV、AAC、WAV、OGG、OPUS、MPEG、WMA、WMV、AVI、FLAC、AIFF、ALAC、MKV 和 WEBM。导出支持 PDF、DOCX、TXT、CSV 以及 SRT/VTT 字幕，并可一次批量导出多个文件。
隐私架构对涉密材料的适配度不错：自有机器处理、不经第三方接口、不用于模型训练、AES-256 加密，以及由用户掌控的删除。但有两点前提。其一是准确率——专业术语和关键细节必须对照原始音频人工核实，任何自动文稿都不应直接作为法律或临床事实的记录。其二是合规——数据位于美国，且这是一款小团队产品，缺少许多受监管组织所要求的正式签署协议与审计认证。采用前请对照自身义务逐条确认。
