ChatGPT 能把音频转文字吗？Gemini 又如何？

是的，ChatGPT 可以把音频转成文字，但仅限付费方案，而且只能处理音频文件：OpenAI 帮助中心写明，免费方案不支持音频上传，视频文件和 YouTube 链接也不能作为音频来源。Google 的 Gemini 同样可以转写上传的音频，免费账号的总时长上限为 10 分钟，付费 Google AI 方案最多 3 小时。对于长录音、采访，或者任何需要时间戳和说话人标签的内容，专门的转写工具仍然是更可靠的第一步，聊天助手更适合在之后用来写摘要。

本指南介绍截至 2026 年 10 月，这两款助手实际能对音频、视频和 YouTube 链接做什么、限制在哪里，以及一套结合两者优势的工作流程。AI 产品变化很快，请以下文链接的帮助中心页面为准。另请注意，ChatGPT 和 Gemini 在中国大陆均未正式提供服务，本文主要面向新加坡、马来西亚及海外的华人用户。

ChatGPT 能把音频转成文字吗？

ChatGPT 处理语音有三种不同方式，经常被混为一谈。

1. 上传音频文件

OpenAI 关于 向 ChatGPT 上传文件和音频 的文章说明，你可以在对话中附上一段录音，让 ChatGPT 转写、总结或回答相关问题。该页面的要点（核对于 2026 年 10 月）：

• 方案： 音频上传适用于 ChatGPT 付费订阅和工作区，包括 Enterprise。免费方案不可用。
• 格式： WAV、MP3、OGG、FLAC、AAC、M4A、PCM，以及仅含音频的 WebM 或 MP4。文件必须包含有效的音频流。
• 大小： 音频文件最大 512 MB。
• 时长： 没有固定的时长上限，但 OpenAI 表示较长的录音可能会分段处理，处理是“尽力而为”，非常长的录音可能会超时。
• 质量： OpenAI 声明转写结果可能有错误，说话人识别可能不可靠，不同语言的表现也有差异。

2. ChatGPT Record

ChatGPT Record 可以实时录制会议、头脑风暴或语音笔记，进行转写，并以画布（canvas）形式生成笔记。根据 OpenAI 帮助页面，它适用于 Plus、Pro、Business、Enterprise 和 Edu 方案，而且仅限 macOS 桌面应用。每次录制最长 4 小时，转写后音频会被删除，Record 在英语中效果最好。它可以标注多位说话人（“Speaker 1”），并允许你重命名。Record 用于记录正在发生的事情，不能转写你已有的文件。

3. 听写

消息框里的麦克风图标是 语音听写：你说的话会被转写成一条可以在发送前编辑的消息。它很适合用说代替打字，但不能用来转写现有的录音，也没有可靠的办法把文件播放给它听。

ChatGPT 能把视频转成文字吗？

不能直接转。OpenAI 的上传指南没有列出任何视频格式，并且说明被识别为视频的 WebM 和 MP4 文件不能作为音频上传。如果你想从 MP4 或 MOV 文件中获取文字，有两个选择：

1. 先提取音频：用转换器或视频编辑软件把音频另存为 MP3 或 M4A，再上传到 ChatGPT（需付费方案）。
2. 使用支持视频的转写工具，例如 Audiotexta 的 视频转文字工具，它直接接受视频文件，返回带时间戳的转写稿。

第二种方法还能给你字幕文件（SRT、VTT），而 ChatGPT 并不把它们作为标准输出。

ChatGPT 能转写 YouTube 视频吗？

一般来说不能，这也是大家问得最多的问题。当你粘贴一个 YouTube 链接时，ChatGPT 无法播放视频或下载音频。如果开启了网页搜索，它也许能读到页面上的文字，比如标题或简介，然后根据这些总结它“认为”视频讲了什么。这样的摘要听起来可能很笃定，实际依据却很少，所以请谨慎对待。截至本文撰写时，OpenAI 帮助中心没有任何文章说明支持 YouTube 链接。

可靠的做法是先拿到文字稿，再把文字交给 ChatGPT：

• 如果视频有字幕，从 YouTube 自带的转写面板复制（参见 如何在 YouTube 上查看文字稿）。
• 或者把链接粘贴到能转写音频的工具中，没有字幕的视频也能处理。我们的 把 YouTube 视频转成文字 指南比较了各种方法。

Google（Gemini）能把音频转成文字吗？

能。Google 关于 在 Gemini 应用中上传和分析文件 的帮助页面涵盖音频、视频和文档。截至 2026 年 10 月，页面写明：

• 必须登录。每次提示最多可添加 10 个文件。
• 音频： 音频总时长最多 10 分钟，使用 Google AI Pro 或 Google AI Ultra 最多 3 小时。
• 视频： 每个视频最大 2 GB，总时长最多 5 分钟，付费方案最多 1 小时。
• 其他文件每个最大 100 MB。

所以与 ChatGPT 不同，Gemini 接受视频文件，免费账号也能上传音频，只要总时长在 10 分钟以内。Google 的文档没有承诺逐字稿格式、时间戳或说话人标签，所以请在提示中明确提出这些要求，并检查结果。

Gemini 在 YouTube 方面也有优势：Google 关于 Gemini 应用中的 YouTube 内容 的文章介绍了如何让 Gemini 查找视频并利用 YouTube 上的公开信息进行总结。这对获取摘要很有用，但它不等同于一份完整、可核对的文字稿。

对于 Google Workspace 用户，根据 Google 的 Workspace 公告，在符合条件的 Workspace 和 Google AI 方案中，Google 云端硬盘里的 Gemini 可以总结存储在云端硬盘中的视频并回答相关问题。Google 文档本身只提供实时听写的语音输入，不能转写上传的文件。方案和可用性因版本和语言而异，请向管理员确认。

ChatGPT、Gemini 与专门转写工具对比

限制于 2026 年 10 月在各厂商帮助页面核对。

助手显然更擅长对话：追问、把回顾改写成邮件、解释某一段内容。专门工具则更擅长转写稿本身。

上传前需要了解的实际限制

时长和大小

长录音是通用聊天助手最吃力的地方。ChatGPT 可能会把长音频分段处理，并且可能超时；Gemini 则限制每次提示的总时长。一小时的讲座在两者的付费方案中都放得下，但一整天的研讨会就不行了。

缺少时间戳和说话人

一份要拿来引用、做字幕或分析的转写稿，需要可以点击的时间戳和值得信赖的说话人标签。聊天助手并不是围绕这些设计的。如果你还是要求它给出时间戳，请先对照录音抽查几个再使用。

遗漏和凭空生成的文字

任何语音转文字系统都可能听错词。AI 模型特有的风险是生成听起来合理、但从未有人说过的文字，尤其是在静音段、音乐或多人抢话时；而且当聊天模型“整理”一份长转写稿时，它可能会缩短或转述，而不是逐字写出。请明确要求逐字稿，并抽查重要段落。干净的音频对任何系统都有帮助：每个麦克风只对一位说话人，背景噪音少，说话时不要垫音乐。

隐私与训练设置

你的录音会被如何处理，取决于产品和你的设置：

• ChatGPT： 在个人方案中，如果开启了“为所有人改进模型”（Improve the model for everyone），OpenAI 可能会用内容改进模型；你可以在“数据控制”（Data Controls）中关闭它，录音还有一个单独的开关。OpenAI 表示，默认不会用 ChatGPT Enterprise 等企业产品的数据进行训练。
• Gemini： 在开启“保留活动记录”（Keep Activity）时，Google 隐私中心表示，部分对话可能会由人工审核以改进服务；你可以关闭“保留活动记录”，但包括 YouTube 集成和云端硬盘上传在内的多项 Gemini 功能都需要开启它。

对于采访、病患对话或客户通话，请先检查这些设置，征得所有被录音者的同意；如果你在欧盟工作，请阅读我们的 GDPR 与转录 指南。涉及中国大陆个人信息时，还要考虑《个人信息保护法》（PIPL）对数据出境的要求；在新加坡和马来西亚则适用当地的 PDPA。

行之有效的流程：先转写，再问助手

聊天助手非常擅长处理文字，作为转写引擎却没那么可靠。把工作拆开，就能发挥两者的长处：

1. 用语音转文字工具转写。 在 Audiotexta 的 网页应用 中处理（上传文件、粘贴链接或用麦克风录音），或者如果你希望一切都留在自己电脑上，就在本地运行 Whisper。我们的 Whisper 与云端语音 API 对比 解释了其中的取舍。
2. 校对转写稿。 修正人名和术语，重命名说话人，并对照音频核对你要引用的段落。
3. 导出为文本。 TXT（免费）或 Markdown（Pro）最方便粘贴到聊天中。
4. 粘贴到 ChatGPT 或 Gemini 中，提出你的需求：“用五个要点总结这次采访”“列出每项决定及负责人”“起草一封跟进邮件”。由于助手现在基于完整的文字工作，你可以对照时间戳核对它回答中的每一个说法。

在 Pro 方案中，Audiotexta 也可以直接完成摘要这一步（摘要、章节、要点、决定和待办事项），并且不会用你的内容训练模型。选择最适合你的组合即可；关键在于从一份完整、可核对的转写稿开始。