关于语音转文字，大部分想起接触过的会是在聊天软件中出现。除此之外，语音转文字还有许多应用场景。对此，本文将以国内市场为支点，以全球市场视为目标，探寻语音转写产品的诸多可能性。推荐对语音转文字市场感兴趣的小伙伴阅读。

与以往从国内市场角度的分析不同，本文将以国内市场为支点，以全球市场视为目标，探寻语音转写产品的诸多可能性。

本文说的语音转写，聚焦于面向C端用户的带语音转文字功能的产品，不包括企业服务中的智能客服、Fintech、车载语音、智慧医疗场景下的泛语音转写。

一、名词解释

语音转写：使用将音视频信息转化成文本信息的一种服务。

• 实时转写，即流式上传-同步获取，可将不限时长的音频流实时识别为文字，并返回带有时间戳的文字流；一般用于直播实时播放字幕、实时会议记录；也可以配合机器翻译，实现同传功能
• 非实时转写，即已录制音频文件上传-异步获取，非实时语音转写将长段音频数据转换成文本数据，可用于影视字幕制作、会议访谈记录转写、智能客服录音质检等场景。

ASR：指自动语音识别技术（Automatic Speech Recognition），是一种将人的语音转换为文本的技术。

NLP：自然语言处理（Natural Language Processing,NLP）是利用计算机对自然语言文本进行理解、处理，并提取文本语义的过程。

二、如何介绍清楚语音转写

笔者的安排是这样的：

• 语音转写的基本定义和概念科普，帮助读者和笔者同频；
• 语音转写所在的前置背景，这是它发展的前提；
• 语音转写的市场规模，这决定了它是否值得被研究；
• 语音转写的产业链，这可以帮我们从合作视角看我们关注点所在的位置；
• 语音转写的竞争格局，这里是重点，用竞争视角从行业玩家身上直观感受语音转写的用户-场景-需求和商业模式，并且笔者不仅会纵向对比国内不同语音转写产品，也会横向对比国内外语音转写产品的区别，最后通过详细拆解Notta这款明星PLG产品作为行业经典案例，希望带来启发；
• 语音转写的发展趋势，这里主要是通过展示相关创业公司来阐述其可能的发展路径；
• 语音转写的综合评价，总结笔者对于语音转写行业的认知。

三、语音转写发展的前置条件

这事能成，主要有赖于三点，因为语音转写是有三个步骤组成的：

1. 输入得更多，说明场景更多，市场需求更多；
2. 转码得更快，说明成本更低，使用没有障碍；
3. 输出得更准，说明结果需要更少的修改加工，结果更满意。

这三点如何发生了改变：

1. 输入方面：无纸化程度极大提高，大部分的数据都是以数字化形式存储

理论上，只要是人与人之间发生的信息的传递，都是有数字化的需要的，主要是以非结构化数据的形式：

• 比如开会讲话的内容，是多人之间相互的信息传递，需要沉淀成会议纪要；
• 比如老师讲课的内容，是一个人单方面向多个人的信息传递，需要沉淀成学习笔记；
• 比如采访对话的内容，是一个人和另一个人的信息传递，需要沉淀成实录文档；
• ……

这些沉淀的信息肯定不能以手写稿作为载体，而是要以文本形式存储：

• 手写稿存储成本太高，纸多了你总会弄丢吧，时间长了纸总会坏吧，要记的内容多了，我得随时准备各种各样尺寸的纸，以备不时之需；
• 传输更麻烦，手写稿只有作者自己能看懂，况且一次只能给一人看，这还不如印刷术发明前的人类社会呢，信息的传输效率限制了世界的发展。

在未来，协作越来越多，人与人发生信息传递的场景就越来越多，越来越多的信息需要被数字化记录沉淀。

这是电子信息技术带来的结构性变化。

2. 转码方面：ASR性能提升，带来了转录的实时响应

单纯的无纸化，只能催生速记员、打字员，比谁能快速输出文本信息，这个活又脏又累还贵，可重复性可替代性极强，简直就是人工智能的最佳瞄准对象。

输入输出本身就很麻烦