指南

M4A、MP3、WAV、MOV：把你录下的东西变成文字

录音恰好是什么格式，不应该决定它能不能被转录。大多数时候确实不决定——但确实有几个真正的坑。

30 August 2026

搜索"m4a 转文字"，你会看到上百个想让你上传文件的网站。你几乎从来不需要它们：格式很少是真正的障碍，而在它确实是障碍的时候，解决办法也不是某个转换网站。

下面说说你手上可能拿着的每种格式究竟意味着什么。

简短的回答 #

对转录来说，好的工具会在内部把你给它的任何东西都转成同一种形式——16 kHz 单声道音频——然后基于此工作。容器格式只是细节。真正重要的是：

1. 里面到底有没有音轨？
2. 压缩得是不是狠到语音细节已经没了？
3. 工具能不能打开这种特定的容器？

只有第三个问题取决于文件扩展名，而且只在少数几种别扭的情况下才成立。

各种格式 #

M4A —— iPhone 上 Voice Memos 录出来的就是它。MP4 容器里装 AAC 音频。有压缩，但以手机使用的码率来说质量不错，对转录没有影响。这是大家最常想转录的文件类型，而它根本不成问题。

MP3 —— 最通用的那个。情况相同：有损，实际使用中没问题。码率非常低的 MP3（64 kbps 及以下，常见于老的播客存档和电话系统录音）确实会明显拉低准确度，因为压缩去掉了用来区分相似辅音的高频部分。这一点谁也补不回来。

WAV —— 无压缩。准确度上最理想，文件体积上最糟糕：两小时就是几百兆，这也是为什么基于上传的服务尤其容易卡在 WAV 上。本地转录则完全不在意。

AAC —— 大多数 M4A 文件内部使用的编码，有时会以裸的 .aac 形式出现。特性与 M4A 相同。

CAF —— Apple 的 Core Audio Format。常出自 macOS 和 iOS 的录音工具。在别处不常见，凡是基于 Apple 音频框架构建的东西都能很好地处理它。

OGG / Opus —— 网页和 Android 那一侧的世界。WhatsApp 的语音留言就是 Opus。在低码率下处理语音非常出色，同等体积下确实优于 MP3。有些 Apple 原生工具不经过解码步骤就打不开它，这属于工具链的限制，而不是质量问题。

MOV 和 MP4 —— 视频。转录只需要音轨，它会先被提取出来。几乎所有录屏、手机视频和相机文件都是这两种之一。

真正存在的坑 #

没有音轨的视频文件 #

知道之后很明显，不知道之前完全看不见。有些录屏在录制时就没有采集音频，有些相机会把音频写成单独的文件。转录工具对一段无声视频无能为力，而好的工具应当明确说明，而不是返回一份空白文稿。

老式 MOV 文件 #

不是所有 .mov 文件都一样。较早的 QuickTime 文件里可能只有一条混合封装的 MPEG 流，没有现代框架能够单独访问的音轨。Apple 自家的工具会报告音轨数量为零。如果某个老 .mov 在哪里都失败，而新文件都正常，通常就是这个原因。实际可行的解决办法是用 QuickTime Player 重新导出一次。

任何码率极低的东西 #

语音低于大约 64 kbps 之后，无论用什么来转录都会损失准确度。如果录制时你有选择余地，这是最值得在意的设置——远比事后用哪个应用重要。

一个名不副实的文件 #

把 recording.aiff 改名成 recording.mp3 并不会转换它，而那些信任扩展名的工具会以让人困惑的方式失败。如果某个文件表现异常，查一下它究竟是什么（在终端里执行 file recording.mp3 就会告诉你）。

需要先转换格式吗？ #

通常不需要，而且转换可能让你付出代价。

每一次有损格式之间的转换——比如 MP3 转 M4A——都会解码再重新编码，每次都损失一点细节。如果你的目标是准确的转录，把原始文件交给能直接读取它的工具，严格优于先转换一遍。

例外情况是你的工具确实打不开某种格式。那就从原始文件出发转换一次，并且转成 WAV，而不是另一种有损格式。

我们支持什么 #

Offline Transcription 在 Mac 和 iPhone 上均支持音频的 MP3、WAV、M4A、AAC、CAF 和 OGG，以及视频的 MOV 和 MP4。所有内容都会在内部转换成模型所需的 16 kHz 单声道，所以你直接放入原始文件即可，不需要做别的。

不受支持或无法解码的文件会带着明确的原因被列出来，而不是无声无息地失败——包括上面提到的老式 .mov 情况，我们特意把它保留为测试样本，因为它正是那个在哪里都会失败的文件。

简短版本 #

格式几乎从来不是问题。低于大约 64 kbps 的压缩是真问题，没有音轨的视频文件是真问题，老式 MOV 文件是偶尔出现的真问题。其余的——M4A、MP3、WAV、AAC、CAF、OGG、MP4——都能直接转录，而先转换格式通常只会让结果略微变差，而不是变好。