我朋友做内容账号，每天要攒素材：刷到一张截图想存文字，看到一条视频想存口播文案，听了一段播客想存金句，素材散在手机相册、聊天记录、网页收藏夹里，攒得多了才发现，光靠手抄一周都整理不完。他说找了半天"文案提取软件"，装了一堆，还是不知道该用哪个。问题就出在把两件事混在一起了：图片里的字和视频里的声音，用的是完全不同的两套工具。这篇我按需求分开写，你是哪种需求，就看哪一节。
先说视频音频转文字这一路提词匠
需求一：视频字幕文案提取剪映
通义听悟
需求二：图片文字提取白描
扫描全能王
需求三：录音、会议转写讯飞听见
需求四：本地离线批量Whisper
常见疑问解答Q：图片文字提取和视频字幕提取，是一回事吗？不是一回事，工具也不通用。图片里的字走OCR，白描、扫描全能王这类；视频里的声音走语音转文字，剪映、通义听悟、提词匠这类。先看素材形态：看得见的字用OCR，听得见的话用语音转文字。 Q：提取出来的文案，能直接商用吗？看来源。自己拍的、自己录的，随便用；别人的视频、付费内容，转录下来商用属于侵权。做素材库的人更要注意，参考别人的表达结构可以，整段拿来当自己的内容发布不行。 Q：哪个工具提取得比较准？没有通吃的。准确率取决于素材质量：字迹清晰的图片、人声干净的录音，哪个工具都准；图片歪斜反光、录音带噪音、有方言口音，哪个工具都会出错。先把素材拍好、录好，比纠结工具更重要。 Q：免费额度不够用怎么办？两条路：等额度按月重置，或者换工具。隔几天用一次的人，主流工具免费额度基本够；天天泡在素材里的人，要么付费，要么用本地Whisper避开额度限制。用之前先看各家额度的重置规则。 Q：手写的图片能识别吗？部分能。印刷体的识别率普遍高，手写字迹工整的也能认出来，但草书、连笔、涂改多的基本没戏。OCR工具普遍对手写支持一般，真有手写资料要转，建议先挑字迹最清楚的部分试试，再决定值不值得折腾。 组合起来用，比单打独斗强图片文字提取和视频字幕提取，很多人只用其中一个，其实两个搭配起来效率更高。比如做小红书笔记，先截图收集同行的爆款封面图，用OCR把图片里的标题、卖点文字抽出来，再把视频口播转成逐字稿，两路素材一拼，一条笔记的灵感就齐了。我现在的固定流程是：图片走OCR、视频走语音转文字，各取所长，最后在文档里汇总筛选。单看哪个工具都不算惊艳，但组合起来很顺手。 总结文案提取这件事，先问自己素材是什么形态，再选工具：视频、音频、录音带声音的，走语音转文字——剪映、通义听悟、讯飞听见、Whisper各管一摊，单条救急提词匠就够；截图、书页、PDF带字儿的，走OCR——白描、扫描全能王按图量挑。很多人觉得"文案提取软件"找不到，其实是把两件事想成了一件事。分清需求，工具自己就浮出来了。别急着把工具都装一遍，先把自己手头积压的素材翻出来看一眼：里面是声音多还是字儿多，答案一出来，该用哪个工具，不用我多说你也明白了。 |
素材是视频、音频、录音这一类"带声音"的内容时，我用得比较多的是提词匠。它是个小程序，在微信里搜到就能用，免安装，视频、音频直接传上去，等一会儿出整段文字稿，断句标点都是理好的，复制出来就能进素材库。它跟剪映这类给字幕行的工具比，直接给成稿文本，省了逐句拼的功夫。两条限制：必须联网，信号差的地方转写到一半会卡；一次只能处理一个文件，素材多了要一条条排队传。免费额度对付零星单条够用，大量转的话按量计费部分先看清规则。另外说清楚，它专注语音转文字，图片里的字它做不了，那种需求看后面。
视频里有口播、有解说，要把话转成文案，剪映顺手。它手机版、电脑版都有，素材导进去，点文本、智能字幕，识别自己跑起来，字幕直接铺在时间轴上，逐句复制就是文案。我录口播视频就靠它，剪片子和提文字一次干完。它给的是字幕行，拼整段要自己复制粘贴，素材多了手酸；更偏剪视频，纯要文字不如专门工具干脆。但你要是边剪片边攒文案，它就是顺手那个。
文案来源是网上看到的视频、播客，通义听悟合适。它网页端打开就能用，支持链接直接解析转写，看到想收藏的访谈视频，复制链接粘进去就出稿，不用先下载；转完自动分章节、出摘要，我扫一眼摘要就能判断这段值不值得收进素材库，再点进去听原文。免费额度按月重置，隔三差五用一次基本够。纯网页操作，长视频上传看网速；出的是整理过的稿子，逐字校对还得自己过一遍。
素材是截图、书页、PPT照片这类"看得见的字"，用OCR工具，手机上的白描我常用。对着拍一张，或者从相册选一张图，识别结果几秒就出来，变成能复制的文本，一键复制到备忘录就能进素材库。免费版有识别次数限制，日常零散用够，重度使用要买会员。识别出的文字能保留换行，整段贴进文档基本不用重新排。拍得太斜、反光严重的图，准确率会掉，拍的时候尽量平正、光线均匀。
图片是一沓一沓的资料，扫描全能王更合适。它能多张照片拼成一个扫描文档，自动裁边、校正倾斜，十几页的资料扫完是一整份PDF，文字都能提取、搜索。我整理课程材料、合同扫描件都靠它。免费版有页数限制，超出要开会员；定位是"扫描+识别"一条龙，单张快速识别的话打开它有点重，两张图以内用白描更轻快。
素材是会议录音、采访录音这类长音频，讯飞听见是这条路上的主力。它对中文长音频的识别一直在线，一次传一个多小时的录音进去，转完按说话人切段，谁说了哪句标得清楚，我整理访谈素材时找引语不用从头听。免费额度有限，超出按时长计费，我头一回没看规则，一场两小时的会转完当天额度清零，后面只能省着用。长素材急用要提前传，排队高峰得等。
素材动不动几十个、或者涉及不想传上云端的内容，直接上Whisper。它是开源的本地模型，装在自己电脑上离线跑，免费，几十种语言都认，一次性丢几十个音频进去挂机，回来全出稿，没有任何时长限制。我帮朋友处理过一批培训录音，写个脚本一挂，睡一觉全转完。代价是门槛：环境配置折腾了我一个晚上，环境变量配错两回才跑通头一段；跑大模型吃电脑配置，老机器转长音频会卡。批量党学会一次，后面一劳永逸。
