手机录音、录音笔和录屏提取出来的音频，能不能直接丢进 SoundWise 转写，取决于两件事：上传入口当前接受的文件格式，以及单文件的时长上限。这两条一般就写在页面上，所以每次转写前先花一分钟核对，比传完一半失败再重来划算得多。下面按上传前核对、切分、校对、导出四步拆开讲，每一步都能在原地验证。

手上有多段来源不同的采访录音时，建议先在上传入口确认格式范围与时长提示，再用 ffprobe 或播放器读出每段的容器、编码、声道和时长，把可能超限的文件单独列出来。超长录音按静音段或话题切换点切开，按固定规则命名后再排队上传；转写完成后逐段校对，并按原音抽检，最后选能回溯的导出格式。具体支持的格式与时长范围以页面实际提示为准，不同账号或版本可能不一样。

在 SoundWise 上传入口核对当前接受的格式

上传页通常会列出允许的扩展名或容器，例如 mp3、m4a、wav、aac 这类常见音频，部分入口也接受 mp4、mov 里的音轨。以页面上实际列出的为准，不要按上一次的经验套用。

• 格式范围：看上传区域下方或右侧的说明文字，把允许的扩展名整行记下来，包括有没有对容器和编码分别提要求。
• 文件选择框：点「选择文件」后，看系统文件管理器默认让哪些文件可选。被置灰或选不中的后缀，基本就是不接受的。
• 被拒提示：如果上传后立刻报错，把提示原文整句复制下来，含错误码或关键字。这是判断「格式不对」还是「时长超限」的唯一依据，凭印象猜容易白折腾。

如果提示指向格式不支持，先用通用工具确认实际容器，再决定转不转。转码示例，把任意输入统一成便于核对和上传的 wav：

ffmpeg -i 采访01.mov -vn -ac 1 -ar 16000 采访01.wav

其中 -vn 表示丢掉视频轨，-ac 1 是单声道，-ar 16000 是采样率。改采样率只影响识别效果，不改变内容；如果页面没有要求具体参数，可以先保留原采样率传一次做对比，再决定是否统一转码。

用播放器或文件信息读出每段素材的时长与编码

时长看两个地方就够：音频播放器进度条显示的总时长，或者命令行里读到的 format duration。两者对不上时，以命令行读数为准。素材多的时候批量读一遍，比逐个点开快。

ffprobe -v error -show_entries format=duration,format_name -show_entries stream=codec_name,codec_type,sample_rate,channels -of default=noprint_wrappers=1 采访01.m4a

关键字段是 duration（秒）、format_name（容器）、codec_name（编码）、channels（声道）。录屏提取的文件常是双声道 48kHz 的 aac，录音笔常见单声道 wav 或 mp3，手机录音多为 m4a。这些差异本身不影响上传，但会影响是否需要先转码。

把读取结果整理成一张待处理清单，字段建议固定为：文件名、来源设备、容器、编码、声道、时长、是否超过页面提示的上限、是否需切分。这一步的产出不是好看的表格，而是明确回答「哪几个文件必须切开」。通常时长明显超限的、体积偏大的、录屏提取出来的长文件，都放进待切分一列，其余的直接排队上传。

把长录音按静音段或话题切换点切成小段

整段上传的代价是：中途失败要全部重来。切成几分钟一段，失败只损失一段，重传成本可控。

切分点的第一依据是静音检测结果，再人工确认一次。示例：

ffmpeg -i 采访全长.m4a -af silencedetect=noise=-35dB:d=1.2 -f null -

输出里的 silence_start / silence_end 就是候选切点。noise 阈值和 d（静音持续秒数）需要按实际底噪调整：安静室内可以收紧，嘈杂环境要放宽，不然会切出大量碎段。没有明显静音的对话式采访，就按话题切换点切：听一遍标记提问轮次切换、受访人换人的位置，或者参考已生成的部分转写里的段落边界，把切点落在句与句之间而不是句子中间。

命名规则建议固定成「日期_受访人_段号_起止时间」，例如 0512_张三_03_002310-003050.m4a。段号两位补零，保证按文件名排序就是播放顺序，上传到页面后顺序不会乱。

切完复查：对每个片段跑一次 ffprobe 看时长，把所有片段时长相加，和原文件时长做一次对比。允许毫秒级误差，差出好几秒通常说明有片段没切出来或者切重了，需要回到切点列表核对一遍。

转录结果按段落逐句校对

机器转写的错，改的顺序比改的数量重要。优先级建议：人名、机构名、专业术语排第一，数字、时间、金额排第二，口语词和语气词排最后。前两类改错会直接影响引用和后续检索，后两类多数可以保留原样。

时间戳对照方法：在转写结果里点某个句子的时间戳，跳回原音那几秒听一遍。判断不了的词，把前后各一句一起听，通常能定下来。人名第一次出现时，建议在方括号里补一个标准写法，例如「[李振国]」，后文统一替换，避免同一人出现多种写法。

修订记录方式：不要只在正文里改。用批注、修订模式，或者单独一张表记「段落号 / 原转写 / 改为 / 依据（时间戳）」。这样第二个人复核时不用重听全部录音，只看改动清单就能确认。

导出文本前确认段落与原音一一对应

交付出去的文本要能回溯到原音，否则对方问「这句是在哪说的」就没法回答。

• 段落编号方式：按上传顺序给每个音频文件编号，段内再按句编号，例如 03-12 表示第 3 个音频文件的第 12 句。编号写进导出文本的段首或行首，导出后核对一次编号是否连续、有没有跳号或重复。
• 抽检段落的选择办法：优先抽三类——含人名或数字的段落、时长特别短的片段（容易在切分时丢内容）、切分点前后紧邻的段落。每类抽一到两段回听即可，不必全听，但抽到的段落要听完整。
• 导出格式的选择依据：给人阅读选带段落结构的纯文本或带时间戳的版本；要给后续检索、对齐字幕，选带时间戳的结构化格式，比如 srt、vtt 或逐行 JSON。选之前先确认接收方能打开哪种，避免导出后再转一次格式。

导出后把文件打开，确认段落编号、时间戳、人名替换都已生效，再发出。到这一步，从上传前核对格式与时长，到导出后抽检，整条链路才算闭合。