质性研究转录：规范、伦理与工具

要点速览

在转录任何内容之前，先决定详细程度：如果你的分析关注人们“怎么说”，就用逐字稿；如果关注“说了什么”，用精简逐字稿或整理稿。在第二场访谈之前，把转录规范写下来。查清知情同意书和伦理审批对录音的去向是怎么写的，并向任何转录服务问明白音频到底发给了谁。自动转录几分钟就能给出初稿，费用只是人工服务的一小部分；对照音频的校对环节仍然要你自己来。对于 NVivo、ATLAS.ti 和 MAXQDA，先想好导入的路线，再选工具。

没有人告诉你质性研究转录的标准是什么，因为根本没有唯一的标准。标准有好几种，哪一种适合你，取决于拿到转录稿之后打算怎么用。这是方法论上的决定，应该排在选工具之前，而不是之后。

顺序搞反了，代价是实实在在的。你把六场访谈整理成了清稿，开始分析，却发现需要知道受访者是在哪里犹豫的，这时就得带着另一副耳朵把六段录音重听一遍。所以，先花一个小时想清楚这个问题。

先决定转录稿的用途，再转录第一个字

转录稿需要多详细，是方法论上的决定，而不是认真或细致程度的问题。它取决于你的分析路径。

如果你的分析关心的是说了什么，整理稿就够了。你要的是准确的文字，并且归到正确的说话人名下。语气词、说到一半改口和短暂的停顿都可以清理掉，不会造成任何损害，因为它们永远不会出现在你的编码里。大多数主题分析和内容分析都属于这一类，整理稿做起来更快，读起来更快，编码也更快。

如果你的分析关心的是怎么说的，情况就反过来了。停顿、重叠、犹豫、两个人抢话的那一刻、回答之前的那三秒、话说到一半的修正，这些就是数据。把它们去掉的转录稿，等于把你要研究的东西去掉了。这一点对自动转录尤其要紧，因为抹平这些特征恰恰是它的强项。它给你流畅易读的文字，而流畅易读的文字，是对一段犹豫、重叠的对话的有损呈现。

有一种诱惑是求稳：把一切都转到最细的程度，理由是用不上的可以忽略。这通常是错的。细致的转录很慢，而二十场访谈的慢工活会吃掉你没有的几个月。它还让转录稿更难读，编码也因此更慢。如果你确实还不知道互动对你的分析是否重要，那是现在就该和导师谈的事，而不是靠蛮力解决的问题。不管怎么定，录音都要保留，录音才是真正的数据。转录稿只是它的一种呈现。

逐字、精简逐字和整理稿，放在一起比一比

这三个叫法用得很随意，所以这里把一小段虚构的对话分别写成三种。它只是示意，不是某项研究的数据。

逐字稿保留录音设备听到的一切，并按你的规范加以标记：

I:  那你是怎么，呃，你是怎么知道的？
P3: 嗯 (.) 我- 我其实不知道。我姐姐[告诉我]
I:                                  [哦]
P3: 告诉我是在会- 会议之后。(2.0) 对。

精简逐字稿保留每一个有意义的词和说话轮次，去掉语气词和结巴，只有停顿本身带有含义时才保留：

I:  你是怎么知道的？
P3: 我其实不知道。我姐姐在会议之后告诉我的。[停顿] 对。

整理稿（有时也叫编辑稿）还会把语法顺成通顺的句子：

I:  你是怎么知道的？
P3: 我不知道。我姐姐在会议之后告诉我的。

看看整理稿丢了什么。“对”之前两秒的停顿，还有“我- 我其实不知道”这处自我修正，如果你在研究人们如何谈论坏消息，它们可能是这段摘录里最有意思的地方。如果是研究消息如何在一个家庭里传开的主题分析，整理稿并没有丢掉你要编码的任何东西。

自动转录的效果介于精简逐字和整理之间。它通常会去掉“呃”和重复的“我”，不写停顿标记，重叠的话则显示为一个说话轮次接着另一个。如果你需要逐字稿，就要计划在校对环节手动补上这些特征。

在第二场访谈之前，把转录规范写下来

决定好详细程度之后，把规范固定下来，写成一份简短的文档，工作时放在手边。以后再改，就意味着回头重做你已经完成的每一段录音，而这类任务会悄悄吃掉两个星期。

值得事先定下来的事项：

• 语气词和说到一半改口，是保留、整理，还是只在看起来有意义时保留。最后这个选项最容易让各场访谈之间出现不一致。
• 停顿怎么标记，短停顿和长停顿要不要区分。
• 重叠的说话怎么表示，分不清谁先开口时怎么处理。
• 听不清的段落怎么标记，要不要注明原因。
• 说话人怎么命名，这个命名和你的匿名化方案是什么关系。
• 时间戳放在哪里：按固定间隔，每次换说话人时，还是只放在你打算引用的段落。

时间戳值得单独说一说。有了它，论文里的一处引文就能追溯到它在录音中的位置，任何能接触到你数据的人，包括答辩委员，都可以核实这个说法。边做边加几乎不花什么成本。事后给一份已完成的转录稿补上，就得拿着秒表把整段录音重听一遍。不管用哪种工具，第一遍就把它们加进去。

可以直接复制的转录规范模板

填写右边一栏，把它放进你的方法附录，并交给任何帮你转录或校对的人。表中的标记是常见的选择，不是规则；你可以改动其中任何一项，但要把改动写下来。

同一份模板的纯文本版，方便你放进笔记：

转录规范：[项目]          版本：[日期]
详细程度：        逐字 | 精简逐字 | 整理
说话人：          I = 访谈者；P1、P2 ... = 受访者
语气词：          保留 | 删除 | 有意义时保留
改口：            保留，用连字符标出（我- 我不知道）
停顿：            (.) 不到 2 秒；(3.0) = 以秒计的时长
重叠：            重叠说话的开头用 [，结尾用 ]
听不清：          [听不清 hh:mm:ss]
不确定：          [词?]
非语言声音：      [笑] [叹气] [关门]
强调：            不标记 | 大写
时间戳：          每次换说话人 | 每 2 分钟 | 仅引文
匿名化：          转录时进行；对应关系单独保存在 [位置]
其他语言：        原文，其后 {译文}
对照音频校对人：[姓名]，日期 [日期]

知情同意和伦理审批，决定音频能去哪里

你的知情同意书不是研究开始前走过的一道手续。它是对你现在能怎样处理这些录音所设的一组条件，通常涵盖三件事：录音如何存储，谁可以听，什么时候销毁。

把音频发给第三方转录服务，是一种披露。项目之外的某个人或某个系统，现在拿到了一份受访者的声音。这必须与受访者当初同意的内容相容。有时显然相容，因为同意书预见到了这一点。有时显然不相容，因为受访者被告知只有研究团队会听到录音。更常见的是同意书含糊不清，这种含糊值得在上传之前就和导师或伦理委员会弄清楚，而不是事后。

伦理审批往往规定得更细，指明录音可以存放在哪类设备或机构系统上，以及保存多久。转录稿继承这些条件。由它衍生出来的一切也一样：你的编码文件、引文摘录、写作时用来粘贴段落的工作文档。它们都算数据，都应该留在你获批的存储方案之内。等你深入分析、副本开始在笔记本电脑、云盘和发给自己的邮件之间越来越多时，这一点很容易被忘掉。

实际上，这会在你比较质量或价格之前，先缩小工具的选择范围。在你自己的设备上处理文件的工具，和上传文件的工具，是两回事。如果服务商不能清楚地告诉你哪些公司会收到音频，这本身就是一种回答。

伦理委员会会就转录服务问什么

各个委员会有所不同，但问题是重复的。把答案写进你的申请里，并注明你查证的日期，因为服务商会更换合作方。

1. 音频存储在哪里，在哪个国家？
2. 还有哪些公司会收到它，收到的是什么？转录工具往往只是别人语音识别的前端。请对方提供子处理方名单。
3. 数据会用来训练模型吗？服务商本身和每个合作方要分开问；一个答案很少能同时涵盖两者。
4. 删除文件会删掉什么，有没有备份会把它保留得更久？
5. 谁可以登录，有没有审计报告、数据处理协议或机构登录？

下面是 SozAI 截至 2026 年 10 月 25 日的回答，你可以看看一套完整的答案是什么样子：

• 录音和转录稿存储在我们的服务器上。所有内容都通过 HTTPS 传输。
• 语音识别由 AssemblyAI 完成，位于美国，它会收到音频。如果你使用摘要、笔记、测验，或针对某段录音提问，转录文本会经由 OpenRouter 发给模型提供方（Anthropic、Google 和 xAI，DeepSeek 作为备用）。YouTube 链接会发给 Google Gemini API；你自己的音频不会。Cloudflare 承载流量，并保存我们加密的数据库备份。完整名单见我们的子处理方页面。
• 我们不出售录音，我们自己的代码也从不用它们训练模型。上述合作方的情况，我们无法替它们作出这样的承诺；适用它们自己的条款。
• 你可以在应用或网页上自己删除一段录音或整个账户。这会从我们的服务器上删除音频、转录稿、笔记、闪卡和测验。加密的数据库备份最多保留 12 个月。在 SozAI 中删除，并不会删除语音识别合作方手里的那一份。
• 登录方式是 Google、Apple 或一次性邮件验证码。我们没有 SOC 2 报告、单点登录或团队管理员角色，SozAI 也不符合 HIPAA。更多内容见SozAI 的安全说明。

如果你的审批规定录音不得离开机构的系统，那么本页提到的云端工具都不符合要求，包括我们的。请使用你所在大学自己授权的服务，或离线转录。

匿名化是在转录稿里完成的

录音保持原样。你无法通过编辑文字来匿名化一个声音，而且你也不该试图改动你的原始数据。匿名化是对转录稿做的事。

也就是说，替换姓名、地名、雇主名称、能识别出某个人的职位，以及那些让熟悉环境的人一眼认出此人的细枝末节。要保持一致。如果一位同事在一场访谈里是[同事 A]，那么她出现的每一处都是[同事 A]，整套数据用同一种规则。前后不一致的假名化比不做更糟，因为它看上去已经匿名，而仔细阅读的人仍然可以追踪到。

如果你保存了真实身份与替换名之间的对应关系，请把它与转录稿分开存放，遵守你的审批所规定的存储条件，并且对自己讲清楚：为什么要留着它，什么时候销毁。有些项目有充分的理由保留：你可能需要重新联系受访者，或把几轮访谈关联起来。另一些项目没有，最安全的对应表就是不存在的那一份。要点是经过深思熟虑再决定。

还有一点提醒，关于求快。查找替换能抓住明显的姓名，漏掉其他的：用过两次的昵称、拼写错误，还有对一栋建筑的描述，而全城只有一个地方对得上。匿名化这一遍需要有人通读整份文档。

对自动工具有一个实用的提示：你在工具里输入的说话人姓名，会和转录稿一起保存。从一开始就把说话人标成 P1 和 P2，而不是以后再改名。

焦点小组：六到十位发言者

焦点小组是你会遇到的最难转录的录音。自动的说话人分离是把听起来相似的语音归在一起，而围着桌子坐了八个人时，它会在可预见的地方失效：两位声音相近的参与者被并成一个说话人，只说“嗯”或“是”的人从来得不到自己的标签，一阵抢话被归到嗓门最大的人名下。

在 SozAI 里，你无法告诉系统房间里有几个人；它根据音频来判断。每一场焦点小组都要预计手动修改说话人标签，并为此留出时间。一场一小时、八个人的小组，这会是实实在在的一个下午的工作，大部分花在很短的发言上。

有帮助的做法，按效果从大到小排列：

• 开场先轮流让每个人报出自己的参与者编号，并说一句话。这样你在一个已知的时间点拿到每个声音的样本，之后就能把标签和人对上。
• 主持人在分不清时点名说话人（“谢谢，P4”），并保留一张座位图，写明首次发言的顺序。
• 把一支好麦克风放在桌子中间，而不是把手机放在主持人那一头。距离是错误的最大单一来源。
• 在桌子另一头再放一台录音设备。一个文件听不清时，另一个往往还行。

如果你的分析取决于快速交锋中谁说了什么（比如对小组动态做会话分析），自动初稿能为你省下的时间，不如一对一访谈多。这种情况下，专门做焦点小组的人工服务可能物有所值。

自动转录真正有帮助的地方

自动转录给出的是初稿。这是实打实的节省，出于原则拒绝它，多半只意味着白白手打几个小时的语音，在方法上没有任何收益。它给不了你的，是一份定稿的转录稿。

对访谈数据来说，对照音频的校对环节是方法的一部分，而不是最后可有可无的收尾。你一边听，一边对着初稿，改正错误，补回机器丢掉但你的规范要求保留的内容，插入或核对时间戳，再做匿名化。它比阅读慢，比打字快。这也是你熟悉材料的过程，这不是附带的好处。自己转录访谈的研究者，开始分析时已经知道里面有什么，而校对这一遍能买回其中相当大的一部分熟悉度。

使用适用于 iPhone、Android 和 Mac 的 SozAI 应用，或网页版，录好的访谈返回时带有说话人标签，每一段都带时间码；点一下，就从那一行开始播放音频，这几乎就是一次校对所需要的。文字可以在 iPhone 和 Android 应用里修改；网页版和 Mac 版目前只能查看，还不能编辑。关于访谈转录的更多内容见这里。它只是众多选择之一，伦理委员会会问的存储和知情同意问题，应该先于质量来筛选你的候选名单。

AI 还是人工学术转录：成本、周转时间、准确率

排在“学术转录”搜索结果前面的页面，大多是人工服务，所以这里放上它们略去的那个对比。价格取自各服务商在 2026 年 10 月 25 日公布的数字。

按一项典型研究算一算：二十场一小时的访谈，共 1,200 分钟的音频。按上面的价格，Rev 是 $2,388，Ditto 是 $2,100，TranscribeMe 起价 $948。用 SozAI 订阅，整套数据完全在时长之内，当天下午就能拿到初稿。

这些准确率数字不能直接比较，值得弄清楚原因。人工服务是按它们自己的条款给出保证。我们的是一次有公开方法的测量：200 个在安静房间里朗读的短句，来自开放的 FLEURS 数据集。访谈比这难，有些语言难得多（同一项测试中，阿拉伯语是 19.6%，哈萨克语是 50%）。所以，老实的交换是这样的：自动转录便宜得多，几乎立刻出结果，作为交换，校对这一遍你自己做。人工服务向你收费，替你做掉了其中的大部分，而引文你仍然要核对。

什么时候人工转录更划算：需要带停顿时长的逐字规范，音质很差，归属才是重点的焦点小组，或者有资助方愿意付费，而你的时间才是稀缺资源。

质性研究的转录软件

六种现实的选择，以及各自擅长什么。详情取自各服务商在 2026 年 10 月 25 日公布的内容。

如果让我们选，我们的建议是这样的。如果你已经有 MAXQDA 或 NVivo 的授权，而你的访谈所用的语言在它们的名单里，就用内置的转录：转录稿到达项目时已经和音频关联好了，导入这一步也完全省掉。如果你的访谈语言不在它们的名单上，是在野外用手机录的，或者你想要转录稿旁边带摘要和翻译，SozAI 是更好的工具，多出一步导入。如果你的伦理审批排除了第三方 AI 处理，就付费请一家愿意签署你的保密条款的人工服务，或者自己转录。

把转录稿导入 NVivo、ATLAS.ti 和 MAXQDA

SozAI 不导出 Word（DOCX）文件。下面的做法都基于它确实能导出的格式：TXT、SRT、VTT 和 JSON（PDF 也行，但没有哪个分析软件要 PDF 转录稿）。手机和 Mac 应用可以导出以上全部格式；网页版导出 TXT、SRT 和 VTT。导出之前，把说话人重命名为 P1、P2 等；这些名字会写进 VTT、JSON 和应用导出的 TXT。SRT 从不带说话人姓名，所以做研究时不要用它。

ATLAS.ti

先把音频文件加入项目，再把转录稿导入到它上面。ATLAS.ti 的手册把 VTT、SRT、TXT、DOCX 和 RTF 列为支持的转录稿格式，并说它会识别含说话人信息的 VTT 文件并给说话人编码。所以从 SozAI 导出 VTT：一步就得到与音频同步的文字和说话人编码。（ATLAS.ti 手册，2026 年 10 月 25 日查证。）

MAXQDA

MAXQDA 在“导入”“转录稿”下导入带时间戳的转录稿，列出的可读格式中有 VTT，同时还有 SRT 字幕以及 Word 或 RTF 文件。选择 VTT，并在 MAXQDA 询问时指向对应的音频文件。SRT 也能导入，但 MAXQDA 用户反映版面零碎，每行字幕一个段落，而且会丢失说话人。（MAXQDA 帮助，2026 年 10 月 25 日查证。）

NVivo

Windows 版 NVivo 14 可以从排成逗号分隔或制表符分隔表格的纯文本文件，或从 Word 或 RTF，导入与音频关联的转录稿。（NVivo 帮助，2026 年 10 月 25 日查证。）SozAI 的文件不是这种版式，所以你有两条路：

• 快捷：在 web.sozai.app 导出 TXT，并打开时间码和说话人。每个段落读起来是“[04:12] P3: 文字”。把它当作普通文档导入 NVivo。你可以马上编码；只是它不与音频同步。
• 同步：从应用导出 JSON。每个片段有以秒计的开始和结束时间、文字和说话人姓名。在电子表格里打开它（或请会写几行脚本的同事帮忙），做成三列：时间段、说话人、文字。另存为制表符分隔的文本，作为转录稿导入，NVivo 询问时再映射各列。

不管走哪条路，只要可以，就在导入之前完成校对这一遍。在手机应用里做的修改，会带进之后每一次导出的转录稿，而在分析软件里做的修改只留在那里。

初稿帮不了你的地方

初稿最弱的地方，恰恰是访谈最难的地方。抢话会搞乱说话人分离，两个人同时说话，往往变成一个人说了句有点不连贯的话。浓重的口音、声音小的受访者、咖啡馆或走廊的背景噪音，以及专业领域的词汇，都会降低准确率。说话人标签通常接近，但在边界处不可靠，尤其是围绕很短的插话。

它也不会给你语调。没有哪份自动转录稿能保留一次停顿的长度，或标出受访者声音发生变化的那个点。如果你的分析需要这些，机器的初稿只是文字的脚手架，仅此而已，你的时间要按此安排。一位同事在同一批语料上做内容导向的研究问题，只需你的一小部分时间就能完成，这并不是因为他们做得不认真。他们的转录稿回答的是另一个问题。

中途切换语言的访谈是特例。自动工具，包括 SozAI，通常对每段录音只检测一种语言，所以第二种语言的段落效果最差。在你的规范里标出它们，并先检查这些地方。

时间也要比算术给出的多留一些。校对不是以正常速度把音频过一遍；而是停下来、倒回去、把那六秒你听不太清的地方重听一遍。在一整套访谈上做这件事是相当大的工作量，本来就该如此。如果你想了解整个项目里各个环节如何配合，有一篇论文研究者工作流程的演示，跟着一套录音从文件走到可引用的转录稿。如果你是为课题组或院系采购，请写信到 [email protected] 咨询 Team 和 Education 方案；我们开发票。

最后要记住的是，转录稿是一种呈现，你选的每一条规范，都是在决定保留什么、丢掉什么。把这些决定写进你的方法章节。了解你的转录稿为什么是这个样子的答辩委员，会把它们当作经过深思熟虑的；不了解的人，会心存疑问。