Claude 能转录音频文件吗？

简短回答：不能 — Claude 无法收听音频文件。claude.ai 和 Claude API 都不接受音频输入，上传 MP3 让它出文字稿是行不通的。好消息是：可行的解法是一个简单的两步模式，五分钟左右就能搭好。下面讲清 Claude 在音频上能做什么、不能做什么，以及既拿到文字稿又能用上 Claude 分析能力的工作流。

Claude 实际支持什么（不支持什么）

Claude 的模型是文本加视觉模型。API 接受文本、图片和 PDF 等文档 — 没有音频这种输入类型。在 claude.ai 上附加音频文件不会被转录；模型根本没有“听”的通道。视频文件同理。

你可能见过的语音功能是另一回事：移动端 App 的听写功能会在 Claude 看到内容之前，先把你说的话变成打字消息。那是设备端的语音输入 — 并不是转录你手上已有音频文件的能力。

在文件转录这件事上，ChatGPT 的处境类似，所以“ChatGPT 能转录音频吗”也是这个领域被问得最多的问题之一。对两个助手，答案都是同一个模式：先转录，再分析。

可行的工作流：先转文字，再问 Claude

第一步 — 用转录工具把音频变成文字。把 MP3、WAV 或 M4A 上传到转换工具（比如下方免费的 MP3 转文字工具），复制文字稿。视频录像同理 — 提取音轨并转录即可。

第二步 — 把文字交给 Claude。将文字稿粘贴进对话（或作为 .txt 文件附上），再加上你的指令：总结这场会议、提取行动项、找出所有提到价格的地方。这部分正是 Claude 的强项 — 长文字稿恰恰是它擅长处理的输入。

诀窍就这么简单。音频一旦变成文字，Claude 擅长的一切 — 摘要、提取、问答 — 都立刻可用。

自动化：用 API 串联转录与 Claude

如果你在构建应用或智能体，可以用代码把两步串起来。先调用转录 API：resp = httpx.post("https://api.parsejet.com/v1/parse/audio", headers={"Authorization": "Bearer KEY"}, files={"file": open("call.mp3", "rb")}) — 响应的 "text" 字段就是文字稿。音频最大 25 MB，支持 MP3、WAV、M4A、OGG、FLAC 或 WebM。

然后把这段文本作为普通用户消息通过 Anthropic API 传给 Claude："Summarize this call and list the action items:\n\n" + transcript。端到端只需两次 HTTP 调用。

做智能体时，把转录接口暴露为一个工具：Claude 遇到音频文件就调用该工具，把返回的文字稿作为工具结果接收，然后自行继续分析。基于 Claude 的产品里，音频“支持”实际上就是这样实现的。

YouTube 视频怎么办？

有个自带捷径的特例：如果你关心的音频是 YouTube 视频，通常根本不需要语音转文字 — 大多数视频已经有字幕。直接拉字幕更快，也不存在转录错误。

把视频链接粘贴到 YouTube 字幕提取工具（或在代码里带 URL 调用 /v1/parse/youtube），几秒内就能拿到完整文字稿，直接交给 Claude 做摘要或问答。

只有当视频完全没有字幕，或音频不在 YouTube 上 — 播客、会议录音、语音备忘录 — 才需要退回到真正的音频转录。

Claude 会原生支持音频吗？

整个行业的多模态能力都在扩张，原生音频输入以某种形式到来完全有可能。但截至 2026 年，没有任何 Claude 模型接受音频文件，已公布的消息也没有改变这一点。

无论如何，先转录的模式都值得掌握：它给你一份可存储、可搜索、可复用的持久文字稿；让你能为自己的音频挑选最合适的转录引擎；而且不管某个助手这个季度支持什么，它的工作方式始终不变。

如果你在犹豫是现在把它做进产品还是再等等：上面的两次调用模式大约只有十行代码。没什么可等的。

把音频变成 Claude 能读的文字

上传 MP3、WAV 或 M4A，几秒内获得准确文字稿 — 再粘贴给 Claude 做摘要、行动项和分析。

免费转录音频

常见问题