語音轉文字（英文也寫成 speech-to-text，縮寫為 STT）是把說出來的聲音變成文字的過程。語音辨識模型從麥克風或錄好的檔案接收音訊，再回傳一份文字稿。這個詞指的是轉換這件事本身，而不是某一個特定的 app，所以兩套工具就算都做語音轉文字，用起來的感覺仍然可能差很多。
這三個名詞彼此重疊，所以很容易混為一談。語音轉文字是底層的轉換。語音聽寫是它的其中一種產品用法，轉出來的文字會直接放進你正在打字的欄位。語音 AI 的範圍最廣，除了文字稿之外，還可能去理解你的請求、運用你允許它使用的脈絡，或是先把下一步準備好。
音訊先被擷取下來，切成好處理的片段，再由辨識模型對應成文字，通常還會補上標點與大小寫。有些工具會在你講話的同時串流出部分文字稿，有些則是等音訊結束後才回傳完整內容。接著輸出會有明確的去處：進到你選取的文字欄位、放上剪貼簿、存成一份逐字稿，或是進入工具自己的筆記畫面。在你把某套工作流程定下來之前，先確認這個去處，因為它決定了你事後要花多少工夫複製和整理。
支援的語言、對人名和專業詞彙的處理、講者標記、時間戳記、錄音長度上限、離線支援，以及處理是在你的裝置上進行還是透過服務進行，各家都不一樣。收費方式也不同，有的是桌面軟體內含的功能，有的則是按分鐘計費的轉寫。請用你自己的麥克風、口音和主題實際測試，因為籠統的說法很少能描述每一種使用情境。
語音轉文字需要麥克風權限，而要錄下一場會議或通話，還可能牽涉到系統音訊，以及在場其他人是否知情。看清楚一套工具錄了什麼、音訊和文字稿是否會送到某個服務、保存多久，以及你能不能刪除。轉寄或公開之前先把文字稿讀過一遍，因為辨識錯誤常常落在人名、數字和專業術語上，而那些地方最不容易被發現。
Cue 是一套桌面語音 AI，支援 macOS 13 以上與 Windows 10 以上。要做語音聽寫，先在支援的 app 中選取文字欄位，使用你安裝版本中顯示的語音聽寫快速鍵，開口說話，然後檢查插入的文字。時間比較長的場合，你可以自己啟動 Cue 的桌面錄音功能；會議進行時它會逐步顯示文字稿，你停止之後會產生結構化筆記與待辦事項，而且不會有任何東西出現在參加者名單裡。Cue 可免費開始使用。Cue Plus 每月 $19.99。