实测 | 通义听悟：上传 3 段录音实测 2 天，转写到底准不准？

我们团队每周有 3-4 场会议，加起来至少 5 小时录音，一直靠人工整理纪要——谁说了什么、结论是什么、待办有哪些，每次要花 1-2 小时整理。早就想试试 AI 转写工具，但一直没找到时间。

通义听悟是阿里云通义家族中专门做音视频转写的产品，我们选了它来测试，原因有三：一是阿里云生态，账号现成；二是免费版可用，不用先付费；三是看到不少用户反馈说"AI 总结比转写本身更值钱"。

我们设计了 3 个测试场景：团队周会（多人中文讨论，有口音）、学术访谈（一对一中文，语速快）、英语播客（纯英文，两人对话）。每个场景上传后记录转写耗时、准确率、AI 总结质量，看看它到底能不能帮我们省下整理纪要的时间。

注册与登录

阿里云账号直接登录，和千问、通义智文同一个账号体系，不需要额外注册。网页版（tingwu.aliyun.com）打开即用，没有复杂的引导流程。

测试 1：团队周会录音（1 小时，6 人讨论，中英混说）

上传一个 1 小时的 MP3 文件（团队周会录音，6 人轮流发言，其中 2 位同事带南方口音，偶尔夹杂英文术语）。上传到转写完成约 7 分钟，速度符合官方说的"约音频时长 1/10"。转写完成后，AI 自动生成了：全文转写稿、一句话摘要、分段要点（按话题自动切分）、待办事项列表、思维导图。

测试 2：学术访谈（30 分钟，一对一，语速快）

上传一段学术访谈录音（受访者语速偏快，约 220 字/分钟，主题是 AI 医疗）。转写耗时约 3 分钟。我们特别关注专业术语（如"Transformer""多模态""影像组学"）的识别准确率。

测试 3：英语播客（20 分钟，两人对话，纯英文）

上传一段 The Verge 的英文播客录音，测试它对英文的转写能力。转写耗时约 2 分钟。

付费方案（2025年更新）

• ·基础版（免费）：每月10小时转写，单次2小时，AI问答20次/日
• ·标准版（99元/月）：200小时，单次6小时，AI问答100次/日
• ·专业版（499元/月）：1000小时，团队空间，多模态分析

3 段录音的实测数据：

1. 团队周会（1 小时，6 人，中英混说）—— ⭐⭐⭐⭐⭐

• ·转写耗时：7 分 12 秒（约音频时长 1/8，比官方说的 1/10 略慢，但可接受）
• ·准确率：目测约 97%。标准普通话段落几乎无错，带口音普通话（南方口音"吃饭"转成"吃换"之类）偶有 2-3 处错字，中英文混说（"这个 feature 的 QPS 需要优化"）识别准确，英文术语大小写和格式规范。
• ·AI 总结：这个功能是真惊喜。自动生成的"会议摘要"把 1 小时的讨论浓缩成 5 条要点，基本覆盖了核心结论。待办事项提取准确，但漏了 1 条（讨论中口头说的"下周发邮件确认"没有被识别为待办）。思维导图适合快速浏览，但层级太浅，复杂话题的嵌套关系没展开。
• ·说话人分离：6 人基本能区分，但有 2 位音色相近的同事被归为同一人，需要手动调整。对于"谁说了什么"的场景基本够用，但达不到"逐句标注"的精度。

2. 学术访谈（30 分钟，一对一，语速快）—— ⭐⭐⭐⭐

• ·转写耗时：3 分 05 秒
• ·准确率：约 96%。专业术语识别不错，"Transformer""多模态"都准确，"影像组学（Radiomics）"这样生僻的专业词也正确识别了。但语速快的地方偶尔丢字（"实际上它可以通过"变成"实际可以通过"），不过不影响整体理解。
• ·AI 总结：生成了结构化的访谈提纲——核心观点、论据、引用来源，质量接近人工整理的初稿。对学术研究者来说，这个功能可以省下大量手动整理访谈录音的时间。

3. 英语播客（20 分钟，两人对话）—— ⭐⭐⭐

• ·转写耗时：2 分 18 秒
• ·准确率：约 88%。英文转写不如中文稳定，连读和吞音场景（"gonna"变成"going to"之类）处理一般，但整体可读。AI 总结的英文摘要质量尚可，但不如 Grammarly 润色后的自然。如果主要场景是英文内容，建议用 Otter.ai 或直接 Whisper。
• ·亮点：中英混合段落自动识别语言并分别处理，不会出现"一段话里中文被当成英文乱码"的情况，这个比讯飞听见处理得好。

实测中发现的实用技巧：

• ·开启"AI 语气词去除"后，转写稿干净很多，"嗯""啊""那个"基本被过滤干净
• ·开启"分段润色"后，阅读体验提升明显，但转写速度几乎不受影响
• ·建议使用双声道录音，转写速度和说话人分离精度都有提升