Mac 上如何把 MP4 视频转成文字？无需上传的本地转写指南

先看简短答案

在 Mac 上把 MP4 视频转成文字，应使用读取视频音轨的文件转写流程。无需让整段视频在实时字幕窗口中播放一遍；对于能够读取的 MP4，也不必先手动转换成纯音频文件。文件必须包含应用能够解码的音轨，无声录屏无法生成语音文稿。

Alison Workspace 可以导入音频和视频文件，识别语音，对照录音检查文字，并导出文档或字幕文件。安装所需识别资源后，文件语音识别在 Mac 上运行。先用一小段内容检查语言与文字，再处理需要的录制文件。

需要文档时，选择文件转写

实时字幕帮助你跟上正在播放的声音。文件文稿则把文字与保存的录制文件中的时间位置对应起来，便于重听一句话、修改姓名，并选择导出格式。Alison Workspace 中这两种流程各有入口；想编辑 MP4 的文稿或保存文字，应使用文件转写窗口。

例如，课程录像中途可能有一段有用的讲解。文件文稿让你可以搜索这段说明，返回对应音频，修正术语后再加入笔记。这只是流程示例，并非准确率或速度测试。

如果录制内容的提供者已有经过校对的文稿或字幕轨，应先查看。尤其涉及姓名、专业词汇或预先准备的内容时，现成资料可能节省工作。自动识别提供的是草稿，而不是说话人确认过的文字。

检查 MP4 中的音轨

MP4 是媒体容器，并不保证其中的声音一定可用。应检查录制内容是否有语音、是否包含音轨，以及这条音轨能否在 Mac 上解码。即使扩展名相同，编码方式和文件状况不同，也可能导致不同结果。

Alison 的文件读取功能可处理普通音频，并从 MP4、MOV 等视频容器中读取音频。缺少音轨、文件无法读取或解码失败时，应用可以报告问题。没有可读取的音频时，应检查原文件，而不是反复更换识别语言。

视频有多条音轨时，应确认文稿对应哪一条。当前读取器使用第一条音轨；本文不描述尚未提供的内置音轨选择菜单。如果第一条不是需要的内容，应使用平时的媒体处理方式准备合适的音频文件，再导入转写。不要覆盖原始录像。

导入视频并准备设置

使用配备 Apple silicon 的 Mac，芯片为 M1 或更新型号，系统为 macOS 15 或更高版本。可用识别引擎和语言资源可能随系统版本而不同。处理长文件前，先准备应用要求的资源。

1. 打开 Alison Workspace 的文件转写窗口，选择添加文件，或把本地视频拖入队列。
2. 确认文件已被接受，显示的时长也符合实际。
3. 选择录制内容中实际说出的语言。只有所需模型就绪时，才使用自动语言识别。
4. 只需要原文时，关闭翻译；需要译文时，另外选择翻译目标。
5. 需要区分不同声音时，开启说话人分离，并准备它要求的资源。
6. 开始转写，然后打开生成的文字，对照原音频检查。

文件导入读取的是选中的媒体，并非系统播放音频采集。无需通过扬声器播放 MP4，也不必让播放器一直运行。转写完成后，回放仍有助于校对文字。

使用前先检查文稿

检查开头、中间一段，以及实际处理部分的结尾。这样可以先发现语言设置错误、读取了其他音轨或只生成了部分文稿，避免把时间花在逐句润色上。

用文稿的回放和搜索工具检查不确定的词。姓名、数字、缩写、否定表达和专业操作说明尤其需要核对。背景音乐或多人同时说话，可能让通顺的句子出错；段落容易阅读，并不证明识别准确。

文档可以编辑。根据录音和可靠的配套资料修正原文。如果同时生成了译文，还应检查译文是否表达了修正后的意思，不能因为修改了一个字段，就认定另一个字段也正确。

选择文字文档或字幕导出

用于阅读或笔记时，根据后续用途选择 TXT、Markdown、PDF 或 CSV。导出选项可选择原文、已生成的译文或两者同时保留；记录中有时间戳和说话人标签时，也可按需加入。

制作字幕时，选择 SRT 或 VTT。文件转写的时间戳对应媒体时间线，与另外开启的实时聆听会话时间不同。即使关闭文档时间戳，SRT 和 VTT 仍会保留格式要求的时间信息。

在准备使用的播放器或编辑器中预览字幕，检查切句、时间、行长，以及修改过的文字。生成的字幕文件是成品字幕轨的起点，导出本身并不代表文字已经适合发布。

理解部分转写与重试

当前文件转写试用提供累计 60 分钟音频时长，与实时聆听额度分开计算。队列按顺序消耗可用文件额度；剩余额度不足以处理完整文件时，结果可能只覆盖开头，并标记为部分转写。

认定文稿完整前，检查已处理时长和状态。失败或取消的任务可以重试，但先检查原因与剩余额度。解锁完整文件处理后，需要重新转写；仅仅打开之前的部分文档，不会自动补出缺失的结尾。

文件无法读取时，检查原文件是否仍能正常打开、是否包含预期声音。音频已被接受却文字质量不佳时，检查语音语言、资源准备情况和录音质量。这是不同问题，应采用不同处理方式。

保留原文件，方便以后回放

本地处理减少了向转写网站发送录制文件的需要，但识别资源可能仍需首次下载。翻译目标或说话人分离模型也可能需要单独准备；下载识别模型不等于所有可选功能都已就绪。

希望以后对照音频阅读文稿时，应把原媒体保存在稳定的位置。保存的文稿并不是 MP4 的替代副本。原文件被移动或无法访问时，文稿工具可以重新关联合适的文件，并通过时长检查帮助避免关联错误录制内容。

考虑导出文档的保存位置。本地文稿放入同步或共享文件夹后，可能由该服务分发。特别是内部课程或访谈，应选择自己确实需要的保存目标。

根据所需结果决定下一步

需要可编辑的 MP4 文稿、可搜索的资料或字幕文件草稿时，使用文件转写；只想跟上当前播放内容时，使用实时字幕。涉及多个声音，应检查说话人标签；整理一批不同语言的文件时，应在开始前安排队列和语言设置。

实际第一步是一段能够读取、语音清楚的视频。确认语言与一小段生成文字，再检查完整结果，导出真正需要的格式。