中文語音轉文字工具怎麼選？5 款比較與適用情境

把一支一小時的訪談錄音丟給人工聽打，行情大約要價新台幣一千元以上，還得等上一兩天；換成中文語音轉文字工具，多半幾分鐘就能拿到初稿，成本降到幾十元甚至免費。但市面上的選項分成好幾種路線：有的主打會議整合、有的專攻訪談與 Podcast、有的是台灣團隊做的在地化服務，還有一種是完全開源、自己架設的技術路線。這篇整理 5 款各自代表不同取向的中文語音轉文字工具——雅婷逐字稿、Notta、Otter.ai、Good Tape、OpenAI Whisper——比較免費額度、付費方案怎麼算，以及分別適合訪談、會議、Podcast 中的哪一種情境。

先講結論：沒有一款是「全能最優解」。會議記錄要的是能自動接進 Zoom / Teams 的整合能力；訪談逐字稿在意的是台灣口音與台語辨識的準確度；Podcast 後製常常一次要處理好幾集、還要多人辨識；而技術團隊如果不想把敏感錄音上傳到第三方伺服器，會傾向自己架設開源模型。以下先給一張情境對照表，再逐一拆解每款工具的定價與限制。

先看情境：訪談、會議、Podcast 分別該挑哪一款

雅婷逐字稿：台灣團隊做的中文語音轉文字工具

雅婷逐字稿是PTT 創辦人杜奕瑾成立的台灣人工智慧實驗室（Taiwan AI Labs）於 2018 年推出的語音辨識服務，是這份清單裡少數從一開始就針對台灣腔調設計的中文語音轉文字工具。官方產品頁列出的核心功能包括中、英、台、日、粵語多國語系轉錄，以及「多人語者辨識」，同時可辨識的語者數量達到 15 人以上，應用場景涵蓋會議記錄、深度採訪、影音後製與課堂筆記，剛好對上這篇文章討論的訪談與會議情境。官方也標示轉錄速度約為一小時音檔在兩分鐘內完成，準確率宣稱在九成以上。

計價方式跟前面幾款訂閱制工具不太一樣：雅婷逐字稿是用時數包計費，而不是固定的月費方案。根據第三方整理的資費資訊，單小時方案約新台幣 160 元，買 3 小時的優惠包約 456 元，買 10 小時則約 1,440 元，時數包自購買日起有 3 年效期；另外也有每月新台幣 199 元的訂閱方案。新用戶註冊會拿到一次性的免費體驗時數，但不同時間點的第三方報導對免費額度數字並不一致（從 20 分鐘到 120 分鐘都有人提到），官方頁面本身也沒有固定顯示這個數字，實際額度建議以註冊當下官網顯示為準。整體來說，如果需求是偶爾轉幾份台灣腔的訪談錄音、又想支援本土團隊，雅婷逐字稿是合理的起點；但如果是需要長期、固定額度的訂閱模式，時數包制反而不如下面幾款好抓成本。

Notta：會議平台整合最完整的國際工具

Notta 走的是國際化 SaaS 路線，官方繁體中文頁面明確把會議、訪談、播客、錄音都列為主要使用情境，語言支援涵蓋 58 種語言，繁體中文是其中之一，並非只支援簡體。免費方案每月提供120 分鐘轉錄額度，但單次錄音上限只有 3 分鐘，等於免費版比較適合驗證辨識品質，不太夠拿來轉一整場會議。付費 Pro 方案年繳換算每月 8.17 美元，每月額度提升到 1,800 分鐘、單次錄音上限拉長到 5 小時；再往上的 Business 方案年繳每月 16.67 美元，轉錄分鐘數無上限。Notta 的比較優勢在於官方直接列出可串接 Zoom、Google Meet、Microsoft Teams、Webex 等會議平台，能自動加入線上會議並同步產生逐字稿，這點是雅婷逐字稿與 Good Tape 目前沒有主打的功能。所有付費方案都內建語者辨識（speaker identification），適合需要分清楚「誰講了什麼」的會議記錄與多人訪談。

Otter.ai：老牌會議轉錄工具，但認不得繁體中文

Otter.ai 是英語市場最知名的會議逐字稿工具之一，免費 Basic 方案每月提供300 分鐘轉錄額度，單次錄音上限 30 分鐘；付費 Pro 方案年繳每月 8.33 美元（月繳則是 16.99 美元），每人每月 1,200 分鐘，單次錄音上限拉到 90 分鐘；再上面的 Business 方案年繳每月 19.99 美元，會議轉錄不限量，單次上限 4 小時。乍看語言支援清單裡確實有中文，但要注意的是：Otter.ai 官方語言支援說明頁面的文章標題明確寫的是「Chinese (Simplified)」，也就是只支援簡體中文，不支援繁體中文輸出，也不支援粵語或台語。對台灣使用者來說，這代表就算轉錄出來的內容辨識正確，拿到的也會是簡體字稿，還得再做一次繁簡轉換，實用性打了折扣。如果團隊本來就習慣用簡體或需要跟中國大陸的合作對象共用逐字稿，Otter.ai 的會議整合體驗仍然值得考慮；但如果重點是「繁體中文逐字稿」，這款工具在語言這一關就先天不利。

Good Tape：丹麥記者團隊做的訪談 / Podcast 逐字稿工具

Good Tape 的背景跟前面三款都不一樣：由一群得獎記者共同打造，官方自述是因為長年在新聞編輯室裡忍受手動聽打的痛苦，才做出這套工具，目標使用者明確鎖定記者、學術研究者、法律工作者、顧問與 Podcast 製作者——幾乎就是「訪談逐字稿」這個切角的原型使用者，公司位於丹麥哥本哈根。語言支援上，官方語言列表把「Chinese」與「Cantonese」分別列為兩個獨立項目，代表中文與粵語都有支援，但頁面沒有進一步標明中文是簡體或繁體，這點官方文件沒有明確說明，建議實際上傳一段繁體中文語音測試再決定。

計價方面，Good Tape 的免費方案是一次性的試用額度，官方定價頁寫的是「1 hour of transcription」的 Free Trial，不需要信用卡，並且試用期間可以用到 Pro 方案的完整功能，但這是註冊後的一次性額度，不是每月重複發放。付費 Pro 方案年繳換算每月 16 歐元，每月提供 20 小時（1,200 分鐘）轉錄額度、檔案長度不限，並且內建語者標籤（speaker labels）、AI 摘要、錄音 App 與批次上傳功能。整體定位很清楚：如果核心工作是訪談與 Podcast，需要清楚分辨不同語者、還想要 AI 幫忙抓重點，Good Tape 是這份清單裡功能對齊度最高的一款，代價是免費額度只能試用一次，長期使用勢必要進到付費方案。

OpenAI Whisper：技術門檻換來近乎免費的準確率

如果團隊裡有工程資源、又在意錄音不上傳到陌生第三方伺服器，OpenAI Whisper 是完全不同的路線。Whisper 是 OpenAI 釋出的開源語音辨識模型，程式碼與模型權重採用 MIT 授權，可以完全免費在自己的機器上執行，不需要把任何錄音檔案交給外部服務。官方 GitHub 頁面列出從 tiny 到 large 共 5 種模型尺寸，最小的 tiny 模型約需 1 GB 顯示記憶體、CPU 就能即時執行，最大的 large 模型參數量達 15.5 億、建議需要約 10 GB VRAM 的 GPU 才能有實用速度；準確率與模型大小成正比，large 系列的辨識品質最好，但硬體需求也最高。這部分的取捨跟一般選 LLM 硬體的邏輯很像，可以參考地端模型完整指南裡對 VRAM 與模型尺寸取捨的說明。

不想自己架設環境的話，也可以直接呼叫 OpenAI 的雲端 API，計價方式是照音檔時長計算，官方定價頁列出 Whisper 語音轉文字的費率是每分鐘 0.006 美元，換算一小時錄音大約新台幣 11 元左右，比前面幾款訂閱制工具的單位成本低非常多。代價是 Whisper 本身沒有現成的操作介面，也不是專門為「多人會議」「訪談逐字稿」設計的產品——沒有內建語者辨識、沒有會議平台整合，這些都得靠額外的程式或工具自己組出來。適合的對象很明確：懂一點 Python、想要壓低成本或需要離線處理敏感錄音的技術團隊，而不是想要「打開網頁上傳檔案就好」的一般使用者。轉出逐字稿之後，如果想快速整理成摘要或做成節目重點，也可以丟進 NotebookLM 使用教學 提到的流程做二次處理。

5 款工具規格與價格總覽

把前面拆解的資訊整理成一張表，方便直接比對：

從免費額度的設計就能看出產品定位的差異：Notta 跟 Otter.ai 都是「每月重複發放」的免費額度，鼓勵使用者長期試用後升級付費；雅婷逐字稿與 Good Tape 則是「註冊送一次」的試用邏輯，比較適合先拿一份錄音測試辨識品質，沒打算長期用免費版硬撐。Whisper 則完全是另一套邏輯——沒有月費也沒有月配額，純粹按實際用量計費，這對偶爾才需要轉錄、但單次錄音很長的使用情境（例如一次轉完整季 Podcast）反而可能比訂閱制划算。

挑選時容易忽略的 3 個細節

1. 多人辨識（speaker diarization）不是每款都預設打開

訪談逐字稿最麻煩的地方不是轉錯字，而是分不清楚「這句話是受訪者講的，還是主持人講的」。Notta、Otter.ai、Good Tape 的多人辨識都是付費方案才有的功能，免費版拿到的逐字稿多半是整段文字混在一起，還是得自己手動標記說話者。如果訪談內容有兩位以上的講者，選工具前務必先確認多人辨識是否包含在打算付費的方案裡，而不是等付了錢才發現要再升一級。

2. 錄音上傳到哪裡，資料就留在哪裡

除了 Whisper 可以完全在自己的機器上執行以外，其餘 4 款都需要把音檔上傳到廠商的雲端伺服器處理。Good Tape 官方特別強調 GDPR 合規與不會用使用者資料訓練模型，這對處理敏感受訪者內容（例如涉及個資、商業機密、法律證詞）的工作者是重要的篩選條件；如果錄音內容特別敏感，選工具時值得直接去查該廠商的資料保留政策，而不是只看轉錄準確率。

3. 轉出來的逐字稿幾乎都需要人工校對

不管哪一款工具，官方宣稱的準確率都是在理想錄音條件下（安靜環境、單一講者、標準發音）測得的數字。實際訪談現場常有背景雜音、多人搶話、專有名詞、口音混雜等情況，辨識錯誤率會明顯上升。比較務實的做法是把這些工具當成「省去逐字聽打的第一道手」，產出初稿後再花時間校對專有名詞、人名與容易誤判的同音字，而不是預期能直接拿到可以發布的完稿。

常見問題

中文語音轉文字工具的準確率大概多少？

各家官方宣稱的準確率多落在九成以上，但這個數字通常是在安靜環境、標準發音、單一講者的條件下測得。實際訪談或多人會議因為有雜音、搶話、口音混雜，實際可用度會低於官方數字，仍需要人工校對專有名詞與同音字。

免費方案夠不夠用來轉一整場會議或訪談？

大部分不夠。Notta 免費版單次錄音上限只有 3 分鐘，Otter.ai 免費版上限 30 分鐘，雅婷逐字稿與 Good Tape 的免費額度則是註冊送一次的試用時數。免費方案比較適合先測試辨識品質，長時間的會議或訪談逐字稿多半需要升級付費方案。

台語或粵語有工具支援嗎？

雅婷逐字稿官方列出支援台語與粵語；Good Tape 的語言列表也把粵語（Cantonese）獨立列為一個項目。Notta 與 Otter.ai 官方頁面沒有特別提到台語支援。

Otter.ai 可以轉出繁體中文逐字稿嗎？

不行。Otter.ai 官方語言支援說明頁面標題明確寫的是「Chinese (Simplified)」，代表只支援簡體中文輸出，沒有提供繁體中文或粵語、台語選項。

OpenAI Whisper 適合一般人用嗎？

Whisper 本身是開源模型，沒有現成的網頁操作介面，需要一定的技術背景（例如安裝 Python 環境）才能自架使用；不想自架的話可以改用 OpenAI 的雲端 API，但一樣需要寫程式呼叫。如果只是想打開網頁上傳檔案就拿到逐字稿，雅婷逐字稿、Notta、Otter.ai、Good Tape 這類現成 SaaS 工具會更適合非技術背景的使用者。

參考資料

1. 雅婷逐字稿（Yating Studio）
2. 雅婷逐字稿免費嗎？雅婷逐字稿費用怎麼算、買時數劃不划算一次看（HitPaw Edimakor）
3. 雅婷逐字稿登上國家兩廳院，杜奕瑾下一步想玩AI鋼琴音樂會（數位時代 BusinessNext）
4. Notta Pricing: Compare Plans, Features & Costs（Notta）
5. 即時轉錄軟體｜Notta（Notta）
6. Otter.ai Pricing（Otter.ai）
7. Transcribe conversations in English, Spanish, French, German, Japanese, or Chinese (Simplified)（Otter.ai Help Center）
8. Pricing（Good Tape）
9. Languages（Good Tape）
10. Good Tape: Built by journalists. Trusted by professionals.（Good Tape）
11. openai/whisper（GitHub）
12. API Pricing（OpenAI）