前几天熬到半上午，脑子昏沉沉的，要整理一段访谈录音，一下子就卡在mp3如何转换成文字这件事上，手边别的软件都没来得及装，只能随手点开浏览器慢慢试。本来以为点上传就能拿到通顺文稿，没料到第一遍导出的内容乱得厉害，好多语气词和停顿都堆在一起，人名还识别错了两处，盯着屏幕看的时候，困意混着烦躁一起往上涌。
最先用的那个在线工具，上传按钮摆在页面很显眼的地方，支持直接拉取本地mp3文件，上传进度条走得不算慢，音频时长十分钟以内不用额外等太久。上传完成之后，有个选项可以选择对应的语种，当时选了中文，点开始转写，几分钟之后文字就出来了。就是它对环境杂音比较敏感，录音里有远处轻微响动的时候，识别出来的句子就会串掉，还要手动一点点核对修改。
后来才反应过来，音频本身的状态影响很大。那段原始mp3是在开放式空间录的，说话人语速忽快忽慢，中间还有好几段长时间沉默，转写出来之后，一大段文字挤在一块，分不清是谁在说话。把音频里多余的空白剪掉之后再重新上传，输出的文稿条理明显顺了不少，断句也更贴合原本说话的节奏。
有个小细节。
转写完成之后，网页自带简单的文本编辑框，可以一边播放原音频，一边拖动进度条对照文字修改，听到哪里不对，直接在页面上改动就行，不用来回切换播放器和文档。文件导出格式有txt，复制出来粘贴到别的文档里也方便，就是长音频的话，在线版本会有限制，那段二十多分钟的录音，直接上传就提示超出额度，没法一次性处理完。
换过本地软件试了一次，安装包不大，打开之后导入mp3，同样选择语音转文字功能。本地版本不用一直连着网络，这点在网络不稳的时候还算省心，只是初次加载模型要花一小段时间，电脑配置普通的情况下，跑起来会稍微卡顿一点。识别的准确度和之前在线工具差不多，口音重的句子依旧容易出错，都要人工复核一遍。这只是我的个人感受，不是标准答案。
折腾到快中午的时候，慢慢摸出自己顺手的顺序，先简单处理音频，把杂音很重的片段裁掉，确认主说话人的声音清晰，再选择工具上传转写，拿到初稿之后，跟着音频逐句校准专有名词。如果录音里有多个人对话，部分工具支持区分说话人，开启这个选项之后，文稿会标记不同发言人，后续整理访谈记录能省下不少功夫。
也试过直接把mp3传到手机端应用，操作逻辑大同小异，上传、选语种、等待转写。手机屏幕小，校对文字的时候看着费劲，一般只适合很短的音频，长一点的内容还是更习惯在电脑上面操作。导出之后的文稿，最好另存一份备份，避免网页刷新或者软件闪退，辛苦转出来的内容直接丢失。
放下鼠标的时候，窗外的光线已经亮起来，昨晚熬出来的困劲又漫上来。最后那段改好的文字，存进了文件夹，没有再反复对比别的工具，差不多能用就停下了。