播客转文字：两小时的节目只转录你需要的那一段

某人在播客里说了句有用的话。你大概记得位置——前三分之一，第二个广告之后。你需要准确的原话，用来引用、做笔记或者回复别人。

最直觉的做法是把整期转录成文字再搜。这确实可行，但也是最慢的一条路。这篇讲快的那条。

为什么"整期全转录"是错的默认选项

识别成本跟时长成正比。两小时的音频大约是半小时节目的四倍时间，产出的文稿里有九成跟你需要的那句无关。

播客本身的结构还有利于先剪：广告段、自我推广、重复的回顾，这些本来就是你听的时候要跳过的部分，却会原样进入转录。

正确的顺序是：一边快放一边定位、把那段剪出来、只转录那几分钟。

第一步：拿到播客的音频文件

找到音频源。多数播客页面上的音频就是一条 MP3 或 M4A 直链，确认的办法是在 Network 面板筛 media，或者看页面源码里的 <audio> 元素、RSS 里的 enclosure 地址。

把链接粘进音频下载器。它接受 MP3、M4A/AAC、WAV、OGG、FLAC 的直链。

如果这档播客给的是 HLS 音频清单而不是直链——平台托管的节目越来越常这样——改用 M3U8 下载器，读清单的做法见课程归档那篇。

英文界面，直接获取本地公开地址上的生成语音，无需扩展。结果面板显示格式和体积；检查时长需点击 Inspect audio（检查音频）。

动手之前确认一件事：文件时长对不对。两小时的节目下来一个 12 分钟的文件，那是预告片，不是正片。

第二步：定位，然后剪出来

这是最多人跳过的一步，也是最能省时间的一步。

用音频裁剪打开下载好的文件。能快放就用 1.5 倍或 2 倍听，或者直接看波形拖，记下入点和出点。目标是一个两到十分钟的窗口，里面装着完整的论述——不是只要那一句。

故意剪宽一点是有原因的。三句话的文稿根本看不出这句话在回答什么，你最后还是得回去听。

先定位，再剪，最后转录。顺序对了，这件事是几分钟，不是一小时。

顺手把前后文里的口播广告剪掉。那些内容没有信息量，而且是识别效果最差的部分——人声底下压着音乐和音效。

英文界面，使用生成语音演示，并非播客录音。在自己的节目中用同样的起止时间控件选取需要的八分钟片段。

第三步：转录这一段

把剪出来的片段交给音频转文字。播客音频通常是最容易处理的一类素材：一到两个人、像样的麦克风、语言稳定。

语言要自己指定，别依赖自动检测。检测是取开头几秒来判断的，而一段从句子中间开始的片段，可用的判断依据比整期少。

段落里有人名、数字或专业术语，选标准模型——需要引用的一段里通常都有。轻量模型够用来确认"对，就是这个部分"。

英文界面，Whisper Tiny 在 CPU 上实际识别生成的英语语音。这里只演示界面，不代表播客识别质量。

第四步：引用之前先核对

识别能抓到大概意思，但漏掉的正好是引用时最要紧的细节。把一句话归到某个人名下之前：

• 专有名词回到那个时间点重听一遍
• 数字重点核对——"十五"和"五十"是已知的易错点
• 确认是谁说的。这个版本不区分说话人，两人对谈时你得自己对上是哪一位
• 笔记里留下时间点。万一这个说法有争议，节目里的时间戳就是你的依据

文稿里的时间点是相对于你剪出来的片段，不是相对于整期节目。要在整期里标时间，记得加上第二步的偏移量。

中途出问题怎么办

下载链接 403。 播客 CDN 会给地址签名，复制来的链接会过期。重新打开节目页复制一条新的。

片段从半个字开始。 转录开头是个碎片，模型容易读错。入点比你以为的再多剪两秒。

文字都对，但顺序乱了。 长停顿和抢话会干扰分段。短片段一般手工调几下就好。

这期节目要登录才能听。 这套流程的前提是音频公开可访问。它不是付费墙的绕法，工具也没有往那个方向做。

收尾

一段八分钟的音频、它的文稿，两者都有时间点，再记一段"这个片段在整期里的偏移量"。音频以后还能再听一遍核对，光有文稿做不到。

播客和音频场景的更多做法，见播客与音频下载。