百度语音识别接口可将长音频文件转为文字稿，需python环境、百度ai账号及baiduvi.py脚本，自动分段识别并导出srt/txt；后续用word朗读+修订模式校对，再用文本整理器v3.0清洗语气词、智能分段、统一中文标点。
你想把会议录音、访谈音频或讲课内容一次性转成文字稿，但百度输入法默认的语音输入只支持实时说话录入，无法直接导入长音频文件——必须借助配套工具链完成“音频→文本→整理”三步闭环。
用百度语音识别接口处理长音频文件
该方法适用于已有MP3/WAV等格式的录音文件（时长不限），不依赖手机或实时麦克风，识别结果可导出为SRT字幕或TXT纯文本。
1、准备环境：安装Python 3.6+、requests模块、ffmpeg命令行工具（用于音频格式转换）。
2、获取百度AI平台账号，在ai.baidu.com创建应用，获取API Key与Secret Key。
3、下载开源脚本baiduvi.py（GitHub项目BaiduAI/vtt目录下），用记事本打开，将其中dev_pid参数改为【1536】（代表中文普通话识别模型）。
4、把待转文字的MP3文件全部放入video文件夹，双击运行baiduvi.py；程序自动转码→分段→调用百度ASR接口→生成同名.srt文件。
注意：单次请求音频不能超过60秒，但脚本已内置VAD语音活动检测自动切分，无需手动干预。
在Word中边听边校对语音稿
语音识别存在错别字、断句不准、专有名词误识等问题，必须配合人工精修。Word的朗读+修订模式是高效校对组合。
调用百度PaddleOCR‑VL大模型API，支持PDF、Word、PPT、图片等多格式文档解析，精准识别印刷体、手写体、表格、公式、图表、印章等复杂元素，支持100+语言，可处理不规则布局和跨页长文档。触发词：文档解析、VLM解析、大模型OCR、PaddleOCR、多模态文档、手写识别、公式识别、复杂版面。
第一步：将生成的.srt或.txt文件复制进Word文档，全选→【开始】→【字体】→把字号设为小四，段落间距设为1.5倍——增大视觉缓冲，减少漏看率。
第二步：开启朗读功能：选中第一段→【审阅】→【朗读】→语速调至85%，让耳朵跟上眼睛节奏；听到明显错误处立即暂停，用修订模式修改。
第三步：启用【导航窗格】→勾选“标题”，再把所有段首手动加“#”并设为“标题1”样式——后续可一键折叠/展开章节，快速跳转定位。
用文本整理器V3.0批量清洗语音稿
语音转文字后常出现重复句、语气词堆砌（“嗯…啊…那个…”）、中英文混排标点混乱、段落粘连等问题，靠手动删改效率极低。
方法一：删除冗余语气词
打开文本整理器V3.0→【查找替换】→勾选“正则表达式”→查找内容填入【(嗯|啊|呃|哦|那个|就是|然后|其实)+】→替换为空→点击“全部替换”。
方法二：智能分段
选中全文→点击【智能分段】按钮→设置“最小段长=35字”，勾选“保留数字编号”→软件自动按语义切分，避免一句话被硬生生截断。
方法三：统一中文标点
点击【格式清理】→选择“中文标点标准化”→自动把英文逗号、句号、引号全部替换为全角符号，且修正引号配对错误（如「开头没闭合」→「开头没闭合」）。
