開完會留下錄影檔，卻沒有人力把內容打成會議紀錄？這篇筆記記錄我實際走過的一條低成本自動化路線：用 FFMPEG 把影片抽成 MP3，交給 Word 內建的聽寫（轉錄）功能把語音轉成文字，最後用 ChatGPT 修正錯別字並整理成摘要與標題。全程不用額外花費，只要人力做最後的審核。
為什麼要先把影片轉成 MP3？
含影像的檔案比純音檔大得多。後續上傳做語音辨識時，檔案越小、上傳與處理的時間越短，所以第一步我會先把 mp4 抽成 mp3。
先按照使用 OBS 做會議錄影這篇的方式安裝 FFMPEG，接著就可以用 ffmpeg 將影片轉成 mp3 檔案：
```bash
ffmpeg -i input.mp4 -vn -acodec libmp3lame output.mp3
```
在上述命令中，`input.mp4` 是輸入的 MP4 檔案路徑，`output.mp3` 是輸出的 MP3 檔案路徑。
怎麼用 Word 內建聽寫功能把語音轉成文字？
從語音檔案提取文字，這個功能在 Word 就有了；若是沒有 Word，Google 文件也有相似的聽寫功能。以下是我使用 Office 內建聽寫功能的示範。
先使用轉錄功能：
接著選擇輸入語言為台灣國語，並上傳剛剛擷取出來的 mp3 檔案：
選擇完檔案會開始上傳 MP3 並且擷取音檔內的文字，這也是為什麼一開始我會希望將 mp4 轉成 mp3——含影像的檔案較大，純音檔較小，上傳較小的檔案這邊所花費的時間會少一點：
當節錄文字完成後，選擇將文字加到檔案內，就會出現如下的語音謄錄文字：
為什麼謄出來的文字需要 ChatGPT 再整理？
一直到這邊所產生的文字，都很不容易讓人理解，因為所擷取出的文字很容易會有錯別字。例如「視障小孩」可能會被聽寫成「師丈小孩」，根本意義完全不同，讓人難以理解。
但 ChatGPT 對於理解這樣的錯別字、比對上下文去猜出正確辭意的能力頗強，所以可以把謄出來的文字交給 ChatGPT 請它幫忙整理內容：
例如上面的文字，GPT 所整理出的內容如下：
接著再重複使用上面產生的內容，請 GPT 產生摘要、標題。我們只需要做內容審核、確認、修正即可，可以大幅節省人力！
下指令的技巧：指令會直接影響產出品質
對 ChatGPT 所下的指令會影響到產出。例如上面我使用「順成文章」的指令，結果 ChatGPT 就自己唬爛了一些不相關的內容（什麼「不僅僅是個人問題」之類的，老師根本沒有講）。這時候改使用「順過讓文字更好讀」這樣的指令，就比較不會產生不相關的內容。
建議可以多嘗試幾種不同的指令，直接針對它整理過後不滿意的方向請它重新整理，直到 ChatGPT 給出較滿意的產出後，再自行做驗證與整理。
延伸閱讀
常見問題
為什麼要先轉成 MP3 再做語音辨識？
純音檔比含影像的檔案小很多，上傳與處理時間都更短。用 `ffmpeg -i input.mp4 -vn -acodec libmp3lame output.mp3` 一行指令就能抽出音訊。
沒有 Word 也可以做語音轉文字嗎？
可以。Google 文件也有相似的聽寫功能，另外市面上也有 Whisper 等開源語音辨識工具可以本機執行。差別主要在辨識正確率與操作便利性。
ChatGPT 為什麼能修正聽寫的錯別字？
語音辨識的錯字通常是同音異字，ChatGPT 能比對上下文猜出正確詞意，例如把誤聽的「師丈小孩」修回「視障小孩」。但它也可能過度延伸，所以最後仍要人工驗證。
怎麼避免 ChatGPT 自己編造不存在的內容？
指令越明確越好。我用「順成文章」這種指令時它就自行補寫了不相關內容，改成「順過讓文字更好讀」這種只要求修飾文字的指令就不會亂加東西。不滿意就針對問題請它重整。
這個流程適合用在哪些情境？
最適合會議錄影、課程錄音這種「有音檔、沒時間打逐字稿」的場景。整條流程只花人工在最終審核，能把數小時的謄稿工作壓縮到幾分鐘。
參考資料
最後更新
2026-08-28（原文發布於 2023-05-31，本文保留原始筆記內容並補上 GEO 結構。）
關於作者 {#author}
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
首次發布：2023-05-31