TurboScribe

定义

TurboScribe 是一项基于云端的 AI 转录服务，功能是把音频和视频文件中的语音转换为可编辑、可导出的文字内容。用户在网页界面上传文件后选择音频语种与转录模式，系统在服务器端完成识别，再把逐字稿返回给用户查看、修改和下载。

该服务由个人开发者运营，产品形态为浏览器端在线工具加浏览器扩展，用户无需安装桌面软件即可使用^[3]。它的一项突出设定是付费方案不限转录时长与文件数量，即所谓无限转录，官方对单项账户的规定仅为不得与他人共享登录凭据^[1]。

原理

TurboScribe 的核心是 OpenAI 开发的 Whisper 语音识别模型，该模型首个版本于 2022 年 9 月发布，训练数据来自数十种语言、总量约 68 万小时的音频^[4]。TurboScribe 使用自有的 GPU 机器池运行该模型，把上传任务分配给空闲计算节点，失败时自动重试，从而在不上调用量配额的前提下压低单次转录成本。

平台提供三档转录模式，分别对应不同规模的 Whisper 模型。Cheetah 侧重速度，可在几秒内完成；Dolphin 在速度与准确度之间折中；Whale 精度最高，使用参数量约 15.5 亿的 Whisper large-v2 模型，转录 1 小时音视频通常需要不到 10 分钟^[5]。此外，语者识别功能可在文稿中区分不同说话人，用户既可预先指定人数，也可交由系统自动检测。

对音质欠佳的录音，平台提供音频修复选项，先做降噪和语音增强再送入模型^[2]。

发展历程

TurboScribe 由 Leif Foged 创建，他此前有在 Meta 从事 AI 系统开发的经历^[6]。作者在 2023 年 8 月公开介绍该产品，称其为当时首个不限量且价格较低的自动转录服务，并说明其可行性来自对上传、处理和 GPU 转录各环节的优化^[4]。当时产品累计转录约 1.7 万小时音频，技术栈基于 Clojure 与 PostgreSQL，并使用对象存储承载大文件传输。

2023 年 9 月，免费方案开始包含精度最高的 Whale 模式，此前该模式仅对付费用户开放^[5]。此后免费层的额度调整为每天可转录 3 个文件、每个文件最长 30 分钟，并保持至今^[4]。随着批处理、文件夹管理、编辑工具与导出格式逐步扩充，产品被创作者与团队用于处理较长素材；第三方评测材料显示其累计转录量已达数千万小时量级^[6]。

应用

在内容创作领域，TurboScribe 常被用来为视频和播客生成字幕文件。转录结果可导出为 SRT、VTT 等带时间戳的字幕格式，直接导入剪辑软件或视频平台使用^[2]。平台还支持直接接收视频链接输入，无需先下载到本地。

在办公与学术场景中，该工具用于把会议录音、课堂讲座和访谈整理成文字记录。多说话人对话可借助语者识别自动标注发言归属^[7]。转录文本可在浏览器内直接编辑，随后导出为 TXT、DOCX、PDF、CSV 等格式，或通过批量操作一次性下载同一文件夹中的多个文件。

语言覆盖方面，该服务支持超过 98 种口说语言的转录，并能把文稿或字幕翻译成 134 种以上语言，也支持将任意语种的语音直接转写为英文^[8]。同一段音频中夹杂多种语言的情况也在支持范围内^[2]。

局限

TurboScribe 的准确率随语种变化明显。官方说明英文等主流语言的表现最为稳定，可接近人工水平并对专业词汇有较好识别，其他语言的准确度则相对较低。其中文版页面也提示用户可先用免费额度试验具体语种的效果^[7]。

转录质量还受录音条件影响。对比评测发现，其输出会自动删除停顿词与话语标记，但部分助动词可能被错误替换^[9]。该评测同时指出，服务条款未就内部人员访问用户上传内容的具体规则作出明确约定^[9]。

功能层面也存在若干边界。免费层每天仅 3 个文件、单文件上限 30 分钟，且处理优先级低于付费用户^[10]。付费方案虽标称不限量，但单个文件仍受 10 小时、5 GB 的技术上限约束^[2]。该服务以云端处理为主，需要联网才能完成转录^[11]。

参见

• Whisper —— TurboScribe 所依赖的开源语音识别模型，其识别效果直接决定该服务的转录质量。

• 语音识别 —— TurboScribe 所处的技术领域，涵盖声学建模与语言建模等基础方法。

• 说话人分离 —— 该服务用于在多人录音中区分发言者的功能所依据的技术。

• 字幕 —— TurboScribe 导出的 SRT、VTT 等文件的主要用途。

• OpenAI —— Whisper 模型的开发者，TurboScribe 的技术来源。