Claude 可以把音檔轉成文字嗎？

簡短的答案：不行 — Claude 無法聆聽音檔。claude.ai 和 Claude API 都不接受音訊輸入，所以上傳 MP3 請它產生逐字稿是行不通的。好消息是：可行的解法是一個簡單的兩步驟模式，大約五分鐘就能設定完成。以下完整說明 Claude 對音訊能做什麼、不能做什麼，以及既能拿到逐字稿、又能獲得 Claude 分析的工作流程。

Claude 實際支援什麼（以及不支援什麼）

Claude 的模型是文字加視覺模型。API 接受文字、影像和 PDF 這類文件 — 沒有音訊這種輸入類型。在 claude.ai 附加音檔並不會被轉錄；模型根本沒有任何「聽見」它的管道。影片檔也是同樣的情況。

您可能看過的語音功能是另一回事：行動版 App 的語音輸入會先把您說的話轉成打字訊息，Claude 才會看到內容。那是在您裝置上進行的語音輸入 — 不是把您手上現有的音檔轉成逐字稿的能力。

在檔案轉錄的工作流程上，ChatGPT 的處境類似，這也是為什麼「ChatGPT 能不能把音檔轉文字」是這個領域最常被問的問題之一。對兩個助理來說，答案都是同一個模式：先轉錄，再分析。

可行的工作流程：先轉文字，再問 Claude

步驟一 — 用轉錄工具把音訊變成文字。把您的 MP3、WAV 或 M4A 上傳到轉換工具（例如下方的免費音檔轉文字工具），複製逐字稿。影片錄影也一樣 — 擷取並轉錄音軌即可。

步驟二 — 把文字交給 Claude。把逐字稿貼進對話（或以 .txt 檔附加），加上您的指示：摘要這場會議、擷取待辦事項、找出每一處提到價格的地方。這部分正是 Claude 的強項 — 長篇逐字稿正是它擅長處理的輸入。

訣竅就這麼簡單。Claude 擅長的一切 — 摘要、擷取、回答問題 — 在音訊變成文字的那一刻，就全部能用在您的音檔上了。

自動化：透過 API 串接轉錄與 Claude

如果您在開發應用程式或 agent，可以用程式把兩個步驟串起來。先呼叫轉錄 API：resp = httpx.post("https://api.parsejet.com/v1/parse/audio", headers={"Authorization": "Bearer KEY"}, files={"file": open("call.mp3", "rb")}) — 回應的 "text" 欄位就是您的逐字稿。支援 MP3、WAV、M4A、OGG、FLAC 或 WebM 音訊，最大 25 MB。

接著把那段文字當成一般的使用者訊息，透過 Anthropic API 傳給 Claude："Summarize this call and list the action items:\n\n" + transcript。前後總共兩次 HTTP 呼叫。

至於 agent，把轉錄 endpoint 開放成一個工具：當 Claude 遇到音檔時，它會呼叫這個工具、以工具結果的形式收到逐字稿，然後自己接著完成分析。Claude 相關產品的音訊「支援」實際上就是這樣實作的。

那 YouTube 影片呢？

有一個帶捷徑的特例：如果您在意的音訊是 YouTube 影片，通常根本不需要語音轉文字 — 大多數影片已經有字幕。直接抓字幕更快，也不會有轉錄錯誤。

把影片網址貼進 YouTube 字幕擷取工具（或在程式中帶網址呼叫 /v1/parse/youtube），幾秒內就能拿到完整逐字稿，直接交給 Claude 做摘要或問答。

只有在影片完全沒有字幕，或音訊不在 YouTube 上時 — Podcast、會議錄音、語音備忘錄 — 才需要退回真正的音訊轉錄。

Claude 會原生支援音訊嗎？

多模態能力在整個產業持續擴張，原生音訊輸入未來很可能以某種形式出現。但截至 2026 年，沒有任何 Claude 模型接受音訊檔案，已公布的消息也沒有改變這一點。

無論如何，「先轉錄」這個模式都值得擁有：它給您一份可以儲存、搜尋、重複使用的持久逐字稿；讓您能為自己的音訊挑選最合適的轉錄引擎；而且不管任何一家助理這一季支援什麼，它的運作方式都不會變。

如果您在猶豫是現在就把這個功能做進產品、還是再等等：上面的兩次呼叫模式大約十行程式碼。沒什麼好等的。

把您的音檔變成 Claude 能讀的文字

上傳 MP3、WAV 或 M4A，幾秒內取得準確逐字稿 — 接著貼進 Claude 做摘要、待辦事項與分析。

免費音檔轉文字

常見問題