ChatGPT 能語音轉文字嗎？Gemini 轉錄音訊一次看懂

可以，ChatGPT 能把語音轉成文字，但只限付費方案，而且只能處理音訊檔：OpenAI 說明中心表示，免費方案無法上傳音訊，影片檔和 YouTube 連結也不能當作音訊來源。Google 的 Gemini 也能轉錄上傳的音訊，免費帳號總長度上限 10 分鐘，付費的 Google AI 方案最長 3 小時。如果是長錄音、訪談，或任何需要時間戳記和說話者標籤的內容，專門的轉錄工具（例如 Audiotexta 或 Whisper 語音轉文字）仍是比較可靠的第一步，聊天助理則更適合在之後用來做摘要。

本文說明截至 2026 年 10 月，這兩個助理實際能如何處理音訊、影片和 YouTube 連結，限制在哪裡，以及一套結合兩者優點的流程。AI 產品變化很快，最新細節請以下方連結的說明中心頁面為準。

ChatGPT 能把語音轉成文字嗎？

ChatGPT 處理語音的方式有三種，而且常常被搞混。

1. 上傳音訊檔

OpenAI 關於上傳檔案和音訊到 ChatGPT 的說明文章表示，你可以把錄音附加到對話中，請 ChatGPT 轉錄、摘要或回答相關問題。以下是該頁面的重點，查核於 2026 年 10 月：

• 方案： 上傳音訊開放給付費的 ChatGPT 訂閱和工作空間，包括 Enterprise。免費方案不支援。
• 格式： WAV、MP3、OGG、FLAC、AAC、M4A、PCM，以及只含音訊的 WebM 或 MP4。檔案必須包含有效的音訊串流。
• 大小： 音訊檔最大 512 MB。
• 長度： 沒有固定的時間上限，但 OpenAI 表示較長的錄音可能會分段處理，處理品質不作保證，非常長的錄音可能會逾時。
• 品質： OpenAI 指出，逐字稿可能有錯誤，說話者辨識可能不可靠，不同語言的表現也有差異。

2. ChatGPT Record

ChatGPT Record 可以即時錄下會議、腦力激盪或語音筆記，轉錄後以畫布（canvas）的形式產生筆記。根據 OpenAI 的說明頁面，它開放給 Plus、Pro、Business、Enterprise 和 Edu 方案，而且只能在 macOS 桌面版 App 中使用。每次錄音上限 4 小時，音訊在轉錄後就會刪除，而且 Record 在英文上表現最好。它可以標示多位說話者（「Speaker 1」），也能重新命名。Record 是用來記錄正在發生的事情，不能轉錄你手上已經有的檔案。

3. 聽寫

訊息框裡的麥克風圖示是語音聽寫：你說的話會轉成一則訊息，送出前可以編輯。想用說的代替打字時很方便，但它不能用來轉錄已經存在的錄音，你也沒辦法可靠地把檔案播放給它聽。

ChatGPT 能把影片轉成文字嗎？

不能直接轉。OpenAI 的上傳指南沒有列出任何影片格式，而且說明被辨識為影片的 WebM 和 MP4 檔不會被當成音訊接受。如果你想從 MP4 或 MOV 檔取得文字，有兩種方法：

1. 先擷取音訊：用轉檔工具或影片編輯軟體把音訊存成 MP3 或 M4A，再上傳到 ChatGPT（需付費方案）。
2. 使用能讀取影片的轉錄工具，例如 Audiotexta 的影片轉文字工具，直接上傳影片檔，就能得到附時間戳記的逐字稿。

第二種方法還能產生字幕檔（SRT、VTT），這不是 ChatGPT 的標準輸出。

ChatGPT 能轉錄 YouTube 影片嗎？

一般來說不能，而這正是大家最常問的問題。貼上 YouTube 連結時，ChatGPT 無法播放影片，也無法下載音訊。開啟網頁搜尋時，它也許能讀到頁面上的文字，例如標題或說明，然後根據這些內容摘要它「認為」影片在講什麼。這種摘要聽起來很有把握，依據卻可能很少，請謹慎看待。截至撰文時，OpenAI 說明中心沒有任何文章說明支援 YouTube 連結。

可靠的做法是先取得逐字稿，再把文字交給 ChatGPT：

• 如果影片有字幕，從 YouTube 內建的逐字稿面板複製（請參考如何在 YouTube 上查看逐字稿）。
• 或把連結貼到會轉錄音訊的工具中，這樣沒有字幕的影片也能處理。我們的 YouTube 影片轉文字指南比較了各種選擇。

Google（Gemini）能把語音轉成文字嗎？

可以。Google 關於在 Gemini 應用程式中上傳和分析檔案的說明頁面涵蓋音訊、影片和文件。截至 2026 年 10 月，頁面上寫著：

• 必須登入。每則提示最多可以加入 10 個檔案。
• 音訊： 音訊總長度最多 10 分鐘，使用 Google AI Pro 或 Google AI Ultra 則最多 3 小時。
• 影片： 每部影片最大 2 GB，總長度最多 5 分鐘，付費方案則為 1 小時。
• 其他檔案每個最大 100 MB。

所以和 ChatGPT 不同，Gemini 接受影片檔，免費帳號也能在 10 分鐘總長度內上傳音訊，想先免費試試 AI 語音轉文字的話，這是一個起點。Google 的文件沒有保證會產出逐字格式、時間戳記或說話者標籤，所以請在提示中明確要求，並檢查結果。

Gemini 在 YouTube 上也有優勢：Google 關於 Gemini 應用程式中的 YouTube 內容的文章說明，你可以請 Gemini 找到某部影片並加以摘要，它使用的是 YouTube 上的公開資訊。這對摘要很有用，但和一份完整、可以查證的逐字稿不是同一回事。

對 Google Workspace 使用者來說，根據 Google 的 Workspace 公告，在符合資格的 Workspace 和 Google AI 方案中，Google 雲端硬碟裡的 Gemini 可以摘要儲存在雲端硬碟中的影片，並回答相關問題。Google 文件本身提供的是即時聽寫用的語音輸入，不能轉錄上傳的檔案。方案和可用性因版本和語言而異，請向你的管理員確認。

ChatGPT、Gemini 與專門轉錄工具比較

限制資訊於 2026 年 10 月在各廠商說明頁面查核。

聊天助理在對話上明顯比較強：追問、把重點改寫成電子郵件、解釋某段內容。專門工具則在逐字稿本身做得比較好。

上傳前要知道的實際限制

長度和大小

長錄音是一般聊天助理最吃力的地方。ChatGPT 可能會把長音訊分段處理，也可能逾時；Gemini 則限制每則提示的總長度。一小時的課程錄音在兩者的付費方案中都放得下，但一整天的工作坊就不行了。

沒有時間戳記和說話者

要引用、做字幕或分析的逐字稿，需要可以點擊的時間戳記和值得信賴的說話者標籤。聊天助理並不是圍繞這些功能設計的。如果你還是要求 ChatGPT 逐字稿加上時間戳記，在依賴它們之前，請先對照錄音抽查幾處。

漏字與憑空出現的文字

所有語音轉文字系統都可能聽錯字。AI 模型特有的風險，是產生聽起來合理、實際上沒人說過的文字，尤其是在安靜片段、音樂或多人同時說話的地方；而且聊天模型在「整理」長逐字稿時，可能會縮短或改寫，而不是一字一句寫出來。請明確要求逐字稿，並抽查重要的段落。乾淨的音訊對每個系統都有幫助：每支麥克風一位說話者、背景噪音少、說話時不要配音樂。

隱私與訓練設定

你的錄音會被如何處理，取決於產品和你的設定：

• ChatGPT： 在個人方案中，如果開啟了「Improve the model for everyone」（為所有人改善模型），OpenAI 可能會用你的內容改善模型；你可以在「Data Controls」（資料控制）中關閉，音訊錄音另有獨立的開關。OpenAI 表示，ChatGPT Enterprise 等商業方案預設不會用於訓練。
• Gemini： 開啟「Keep Activity」（保留活動記錄）時，Google 的隱私中心表示，部分對話可能會由真人審查，以改善服務；你可以關閉 Keep Activity，但包括 YouTube 整合和雲端硬碟上傳在內的多項 Gemini 功能都需要開啟它。

處理訪談、病患對話或客戶通話時，請先檢查這些設定，取得每位被錄音者的同意，並留意台灣個人資料保護法（個資法）的規範；如果你的工作涉及歐盟，也請閱讀我們的 GDPR 與轉錄指南。

實際可行的流程：先轉錄，再問助理

聊天助理處理文字非常拿手，當轉錄引擎就沒那麼可靠。把工作拆開，能讓兩者各自發揮所長：

1. 用語音轉文字工具轉錄。 使用 Audiotexta 的網頁版 App（上傳檔案、貼上連結或用麥克風錄音），或如果你希望所有資料都留在自己的電腦上，就在本機執行 Whisper。我們的 Whisper 與雲端語音 API 比較說明了其中的取捨。
2. 校對逐字稿。 不論初稿來自 Audiotexta 還是 Whisper 逐字稿，都要修正人名和術語，重新命名說話者，並對照音訊檢查你要引用的段落。
3. 匯出成文字。 TXT（免費，不需要帳號）或 Markdown（Pro）最容易貼進聊天視窗。
4. 貼進 ChatGPT 或 Gemini，提出你的需求：「用五個重點摘要這場訪談」「列出每項決議和負責人」「草擬一封後續追蹤的電子郵件」。因為助理現在是根據完整的文字工作，你可以用時間戳記查證它回答中的每一項說法。

在 Pro 方案中，Audiotexta 也能自己完成摘要這一步（摘要、章節、重點、決議和待辦事項），而且不會用你的內容訓練模型。選擇適合你的組合即可；重點是從一份完整、可查證的逐字稿開始。