核心要点
macOS 系统本身无法把视频文件转成转录稿；搭载 Apple 芯片的 Mac 上的“实时字幕”只能在视频播放时实时给出字幕。它能做到的是——不需要下载任何软件——通过 QuickTime Player 把视频中的音频轨道导出出来，这样你手上的文件会小得多，也更容易处理。系统自带的听写功能是把麦克风实时听到的内容转换成文字，所以它并不适合处理你已经录好的文件。转录是另外一个独立的步骤，不管你用什么电脑，这一步都是一样的。
假设你的 Mac 上有一段视频。可能是一次会议的屏幕录制，别人发来的一段讲座录像，或者是你自己保存下来的片段。你想要的是里面的文字内容，而且你并不想为了得到这些文字，去注册一个自己完全没听过的公司的账号。
这件事其实可以清楚地分成两步。第一步，从视频里提取出干净的音频文件；第二步，把这段音频转换成文字。第一步你的 Mac 现在就能做到，用的是系统自带的软件，不需要额外安装任何东西。第二步则不行，不管你在“系统设置”里翻多久，也找不到能做这件事的功能。搞清楚这条界限在哪里，能帮你省下一整个下午——不用再去找一个根本不存在的菜单选项。
macOS 系统本身能做到什么
每台 Mac 都自带 QuickTime Player。它可以播放视频、录制屏幕，也可以把视频文件中的音频导出来。最后这个功能正是这里最有用的部分，很多时候，这也是你在把文件交给其他工具处理之前，唯一需要做的一步。
macOS 还内置了听写功能，可以在你说话的同时把语音转换成文字。另外还有语音备忘录：它会通过 iCloud 和 iPhone 上的同名应用同步，并能转录录音里的语音。把这三者结合起来，你可以录音、保存录音，也可以用语音直接打字。
但这些功能里，没有一个能读取已经存在的视频文件并给你一份转录文本。这一点需要说清楚，因为这几个工具彼此靠得很近，让人感觉这个功能应该就藏在某个地方。但它并不存在。Mac 可以转录你在语音备忘录中录下的内容，但没有任何命令能把现有的视频文件变成转录稿。
先把音频提取出来
视频文件本质上是一个容器，里面同时装着画面和一条音频轨道，而转录只会用到音频部分。就这个目的而言，画面完全是多余的负担。
所以，在做任何其他事情之前，先把音频导出来。QuickTime Player 就能完成这一步，也就是说第一步不花钱、不用装任何软件。导出之后得到的文件会比原来的视频小得多——具体小多少，要看视频本身的情况，但有时差距会非常明显。
一旦录音时长变长，这种文件大小上的差距就不再只是个抽象的数字了。一段两小时的讲座，如果是视频格式，搬动、上传，或者在还没确定用哪个工具之前多存几份，都会很麻烦。同样两小时的内容如果是音频，就是一个不起眼的小文件，处理起来根本不用多想。如果你手上有一整个文件夹的录音要处理，先提取音频，可能就是一个晚上能搞完还是要拖到整个周末的差别。
提取音频这一步，顺便也解决了一个常常让人纠结的问题：到底需不需要一个专门处理视频转文字的工具，还是普通的音频转录工具就够用。一旦音频变成了单独的文件，这个区别就不重要了。任何能处理音频的转录工具，都能处理你这份文件。
听写和转录，是两件不同的事
“听写”和“转录”常常被人当成同一件事来用，但它们并不是同一件事，而两者之间的差别，恰恰就是挡在你和你想要的转录文本之间的那道坎。
听写是实时监听麦克风，一边听一边把内容写下来。你说话，文字就出现。它本质上是一种打字方式。转录则是拿一段已经存在的录音——可能是一小时前录的，也可能是一年前录的——从里面生成文字。一个是输入方式，另一个是转换过程。
你可以试着用大声播放视频、让听写功能通过音箱“听”的方式来打通这两者，确实有人这么干过，但效果并不好。这相当于让麦克风重新录一遍已经录过一次的声音，还要经过房间本身的音响效果，而且整段视频有多长，你就得干坐着听多长时间。一小时的视频就要花掉你一小时。除非是很短的片段，否则这不算是个靠得住的办法。实时字幕（系统设置 > 辅助功能 > 实时字幕，仅限 Apple 芯片）可以不经麦克风，直接为 Mac 自己输出的声音生成字幕，但它同样是实时运行的，给你的是屏幕上的字幕，而不是文件。关于Mac 上的语音转文字还有更多可以说的，包括系统自带方案的极限在哪里，但简单说一句：听写这个功能，从设计上就不是给现成文件用的。
如果你手上还没有文件
提取音频的前提是视频已经存在你的硬盘上。但有时候情况不是这样——你想要文字内容的那段东西，是一场正在进行的通话，或者是浏览器标签页里正在播放的一段视频，这时候根本没有东西可以提取音频，因为什么都还没保存下来。
这才是 Mac 上真正的难点所在。录制 Mac 自身正在播放的系统声音——也就是从机器里发出来的声音，而不是麦克风收进去的声音——并不是 macOS 默认就能做到的事。屏幕录制能录到画面，但要同时录到画面对应的声音，是另外一个问题，也是最常让人卡住的一步。如果你曾经录完一场会议，结果发现录出来的东西是无声的，还搞不清自己哪里做错了，那你遇到的正是这个问题。你并没有做错什么。
这个问题有办法绕过去，最好在真正用到之前就先搞清楚，而不是等你正开着一场没法重来的通话，才手忙脚乱去查。在 Mac 上录制屏幕并同时录音的具体方法，是另一个话题。这里要说的是，这属于录制层面的问题，而不是转录层面的问题，把它解决了，你就回到了最普通的情况：硬盘上有了一个文件。
还有一种办法能完全绕开这个麻烦。Mac 上的语音备忘录会通过 iCloud 和 iPhone 上的同名应用共享录音，所以你在手机上录的任何内容，都会自动出现在 Mac 上，语音备忘录还能在那里显示它的转录文本，不需要发邮件给自己，也不需要找数据线连接。对于面对面的对话，或者你现场听的一场讲座，用手机录音、再到电脑上取用文件，比去纠结系统声音的问题要省事得多。当然，这个办法对 Mac 自己播放出来的声音无效。
把音频转换成文字
一旦音频变成了一个实际的文件，前面提到的那些区别就都不重要了。转录工具不会在意这段音频原本是从视频里提取的，还是来自手机、屏幕录制，或者是同事发给你的文件。它也不会在意你用的是不是 Mac。到了这一步，不管在哪台电脑上，做的都是同一件事，你唯一要考虑的，就是选哪个转录工具。
这里也正是“不想注册账号”这个偏好和现实碰头的地方，坦白说清楚比较好。任何完全在浏览器里运行的工具，都可以承诺你的文件不会离开你的电脑，而有些工具确实做到了这一点。但这类浏览器工具通常处理的是字幕文件、计数之类的东西——本身已经是文字的内容。真正对一段两小时的录音做语音识别，是重得多的工作，能做这件事的工具，一般都需要一个安装好的应用程序，或者要把你的文件传到它们的服务器上。不管你选哪种，这就是你该问的问题，而答案应该不难找到。
SozAI 是其中一个选择：一款支持 macOS 的转录应用，能处理音频和视频文件、录音以及 YouTube 链接，支持说话人标注、内容摘要，以及 99+ 种语言之间的翻译。同一个网站上还提供免费的浏览器端字幕和计数工具，完全在浏览器里运行，不上传任何文件，也不需要账号——这些工具不做语音转录，但等你手上已经有了转录文本要处理时，会很有用。
转录文本做不到的事
如果你的目的是回到录音里的某个具体时刻，那就要选带时间戳的转录。没有时间戳的文本是一大段可以搜索的文字——你能找到那句话——但找到那句话，跟找到它在视频里出现的位置，是两件不同的事。如果你转录一场讲座，是为了能跳到其中真正重要的那十分钟，时间戳就是这个功能的核心。如果你转录的目的只是读一遍，之后再也不打开那段视频，时间戳就只是多余的东西。开始之前先想清楚自己属于哪一种情况，因为事后再补时间戳，等于把工作再做一遍。
文字质量会反映出录音本身的质量。语音识别能用的，就是实际录到的内容，在一个满屋子人抢着说话的环境里录的东西，能给识别系统的信息，比一段干净的录音要少得多。从视频里提取音频，并不会让音频变得更清晰，它只是把原本就在那里的声音单独分离出来。如果源头的声音质量不好，你之后就得自己修改转录文本，前面任何一步都解决不了这个问题。
还要接受的一点是：视频里的一部分内容，注定过不了这道转换。幻灯片、图表、白板上写的东西，还有谁在对着什么东西比划——这些统统会丢掉，因为你是主动扔掉了画面，才换来一个便于处理的文件。对一段普通对话来说，这没什么损失。但对一场演示或者一次汇报来说，转录文本只是记录的一半，你会需要把原始视频留在旁边，配合着看。
