Telegram 语音消息怎么转成文字：先分清"转出来的字"和"对方打的字"

"语音"这个词，在 Telegram 里至少是三种不同的东西。

而它们的"能不能转"，不一样。

第一种：语音消息。

就是按住麦克风说的那条，一般带个波形。

这一种，通常可以转。

第二种：视频消息。

就是那个圆形的小视频。

这一种，通常不能转。

第三种：语音通话。

也就是说：你们在通话。

而这个不是"转录"的问题，而是"录音"的问题——因为转录的前提是"有一段存下来的音频"，而通话本来就不存。

所以那句可以这样记：很多人问"为什么这条不能转"，其实问的是另外两种东西——视频消息和通话，本来就不在这个范围里。

而"通话"这一条，我还要多提醒一句：

通话录音涉及的不只是技术能不能，还有"合不合规"。

也就是说：有些地方要求"双方都同意"才能录。

所以如果你有这个需求，先确认当地的规定。

（而"通话能不能录、录了之后怎么留"，是另一个话题，我在讲通话的那篇里写过。）

转之前，先看你会不会用这个工具

在讲转录之前，我想先说一件很实用的事。

因为有些"听不完"的问题，本来有比转录更直接的办法。

第一：可以倍速。

也就是说：长语音不一定要"一倍速听完"。

而"加速听"这个办法，比转录可靠——因为转录会出错，而倍速播放不会。

第二：可以拖进度。

也就是说：长语音能拖到某个位置开始听，不用从头。

第三：可以连续播。

也就是说：几条语音一般能"自动接着播"，你不用一条条点。

所以那句可以这样记：如果只是"这条太长了听不完"，那加速听比转录靠谱——因为转录可能错，而加速不会。

而"这些细节叫什么、在哪儿"，会随版本变——所以我不给你精确的路径，而是给你"找什么"：找"速度""播放速度""倍速"这一类的字样。

一个前提：能转，是因为它"读得到"

接着说一个很多人没想过的前提。

转录这件事，需要"把那段语音交给识别引擎"。

而这意味着：

它得先"读得到"那段语音。

所以那句可以这样记：要转录，平台必须先能读到那段语音——而这个前提，决定了"哪些地方能转、哪些地方不能"。

而顺着这个前提往后推一步：

普通聊天里的语音消息，它能读到——所以通常可以转。

而"秘密聊天"里的语音，它读不到——因为那个是"端到端加密"的。

所以那句可以这样记：秘密聊天里的语音，大概率没有转录——而这恰好说明"那个加密是有效的"。

而这里我要标一个边界：

"秘密聊天里到底能不能转"，我没有核实到确定的结论。

但按"端到端加密的内容，平台读不到"这条机制推，它大概率不支持，或者表现会不一样。

所以那句可以这样记：如果他在秘密聊天里找不到转录入口，那可能不是"他找不到"，而是"那里本来就没有"。

而这和"秘密聊天里翻不了消息"是同一类现象。

（而"朋友圈子里的消息到底存在哪儿"，我在讲记录存储的那篇里写过。）

三种情形

知道"能不能"之后，再看"怎么用"。

而"怎么用"其实有三种情形。

第一种：手动转单条。

也就是说：你在那条语音上找"转文字"这一类的入口。

而它"在哪儿"会变——可能是长按、可能是右键、也可能在消息旁边的菜单里。

所以我不给位置，给"找法"：找"转文字""转录""文字稿"这一类的字样。

而这一种的特点是"按需"：你只转你想看的那几条，不需要提前设什么。

第二种：自动转。

也就是说：有些版本提供"自动转录语音消息"这种选项。

而它打开之后，收到的语音会"自带文字"。

而这一种有三点要注意：

一是"它算不算付费功能"——这个我不替你断言，因为随版本和地区变。

二是"它会增加'被处理的内容量'"——也就是说：原来它只处理你点开的那几条，现在它处理所有收到的。

三是"入口"——还是那句：认功能名，不认位置。

第三种：转自己发出的语音。

而这一种我要说清"把握有限"。

也就是说：通常自己发的语音也能转。

但"表现是不是和收到的完全一样"，以你的客户端为准。

而它的实际用处，我觉得挺有意思：

"检查自己有没有说清楚"——尤其是你发完就忘了自己说了什么的时候。

边界一：转录不是"准确记录"

现在说第一条边界，而它的意思是"它可能错"。

而错的原因，大概是这几样：

口音和方言（识别率会明显下降）。 背景噪音（风声、餐厅、车里都会干扰）。 专业术语、人名、地名（这是最容易出错的地方）。 语速和含糊发音（连读、吞音容易识别错）。

所以那句可以这样记：把转录当成"快速浏览"的工具，而不是"准确记录"的来源。

而"哪些场景尤其不能只信转录"，我列三个：

一是"金额、时间、地址"——因为一个数字错了，就是实质损失。

二是"人名和联系方式"——这是最常见的识别错误类型。

三是"需要留痕的沟通"——因为转录出来的文本，不具备"原话"的效力。

而还有一层，我觉得比"错字"更麻烦：

文字会丢掉语气。

也就是说：同一条语音，用不同语气说，意思可能相反——而转录出来的文字，看不出这一点。

所以那句可以这样记：转录丢掉的不只是"字"，还有"语气"——而语气有时候就是意思。

边界二：转出来的字，不是对方打的字

这一节是我最想说的，因为它比"准不准"更根本。

你转出一条文字，它"看起来"和"对方打的一句话"一模一样。

同样的字体、同样的位置、同样能"选中复制"。

而它们"性质完全不同"。

所以那句可以这样记：转出来的字，是"它听到的"；而对方打的字，是"他想说的"——而这两样，看起来一样，性质完全不同。

而"不同"在哪里？有三个地方。

第一个：一个是"猜的"，一个是"他写的"。

也就是说：转录出来的字，是"它按读音猜的词"。

而猜这件事，有一个讨厌的特点：

它"错得像对的"。

也就是说：它不会"空着"，它会"填一个最像那个音的词"——而那个词，读起来通顺，看起来正常。

所以那句可以这样记：转录的错，不是"缺一块"，而是"填了个像的"——所以它错的时候，你未必看得出来。

第二个：转录"带着原音"。

而这一条，恰好是"好事"。

也就是说：转出来的字旁边，那段语音还在。

所以你能"核对"——听一遍原音，就知道它转得对不对。

所以那句可以这样记：转录的好处，不是"它准"，而是"它旁边还有原音"——所以你能对。

而"对方打的字"没有这一层——因为它没有"原音"可对，它就是"原文"。

第三个，也是最要紧的：转录"不是他确认过的"。

也就是说：

对方"打字"这个动作，意味着"他看过这句话、他按了发送"。

而"转录"这个动作，只有"它"参与了——对方"没看过"那串字。

所以那句可以这样记：对方打的字，是"他确认过的"；而转出来的字，是"它猜的"——而"猜的"东西，不能当"他说过"。

而这个区别，会带来三个很实际的后果。

后果一：不能"引用"。

也就是说：你不能把那串字，当成"他说的原话"转给别人。

所以那句可以这样记：如果你要把一句话"引给第三个人"，别引转录——因为它不是"他说过的话"，而是"它听出来的话"。

后果二：不能"当证据"。

也就是说：在"谁说了什么"这件事上，转录的分量很轻。

因为"它的来源"是"一个识别过程"，而不是"一个发送动作"。

后果三：不能"直接当文字用"。

也就是说：你不能"把转录复制过去，当成'他给你发了这些字'"。

而这三种后果，其实都指向同一句话：

转录是"索引"，不是"正文"。

所以那句可以这样记：转录是"索引"，不是"正文"——它告诉你"这段大概说了啥"，而"到底说了啥"，要以原音为准。

而"索引"这个说法，我觉得最准：

索引的作用，是"让你快速找到",而不是"让你不必再看"。

所以那句可以这样记：把转录当"目录"用，你会用得很好；把它当"正文"用，你迟早会引错一句话。

（而"一条语音到底说了什么、以及为什么语音不适合当记录"，我在讲语音消息长期留存的那篇里写过。）

什么内容适合发语音，什么适合发文字

最后说一个很实用的判断，而它只要一句话。

对方需不需要"回看"？

需要回看的，发文字。不需要的，发语音。

所以那句可以这样记：判断"发语音还是发文字"，只问一句"他会不会回头再看"——会的发文字，不会的发语音。

而按这个标准对号入座：

地址、金额、订单号、联系方式——这一类要"检索"、要"核对"，所以该发文字。

解释复杂、需要语气的事——这一类发语音更合适，但配一句文字摘要。

长内容、需要对方反复看——这一该发文字。

临时确认、时间紧——语音更快。

而最后这一条，是语音真正的优势：

打字慢的时候，说话确实快。

所以"随手确认一件事"用语音，是合理的。

而它有两个"固有缺点"，你要认：

一是不便检索。

也就是说：三天后你想找"那个地址在哪条语音里"，很难。

二是不便核对。

也就是说：转录可能出错，而且文字会丢掉语气。

所以那句可以这样记：重要的事，语音加一句文字摘要——这样既说了，也留得下。

几个常见的坑

第一个坑，是以为所有音频都能转。而视频消息和通话，通常不在这个范围里。

第二个坑，是在秘密聊天里找转录。而那里大概率没有，而这恰恰是加密有效的证明。

第三个坑，是拿转录当准确记录。而人名、数字、术语最容易错。

第四个坑，是把转录的文本当成"他说的原话"。而那是"它猜的"，不是"他确认过的"。

第五个坑，是只用语音沟通重要信息。而不便检索、不便核对。

最后

如果只用三句话记住这篇，我希望是这三句话。

先分清你要转的是哪种"语音"：语音消息通常能转，而视频消息和通话录音不在这个范围里——很多"为什么这条不能转"，其实是问错了对象。而转录还有一个前提常被忽略：它需要"读得到"那段语音，所以端到端加密的场景里，大概率没有这个功能。

而两条边界要分清：第一条是"它可能错"——口音、噪音、术语、语速都会让它错，而且它丢掉的还有语气，而语气有时候就是意思。第二条更要紧："转出来的字"和"对方打的字"看起来一样，性质完全不同：前者是"它听到的"（按读音猜的词，而且错得像对的），后者是"他想说的"（他自己确认过、按了发送）。所以转录不能引用、不能当证据、不能直接当文字用。

最后：转录是"索引"，不是"正文"——它告诉你"这段大概说了啥"，而"到底说了啥"要以原音为准。而它的好处，也恰好在这儿：它旁边还有原音，所以你能核对。至于发语音还是发文字，只问一句"他会不会回头再看"：会的发文字，不会的发语音；而重要的事，语音加一句文字摘要。