语音转文字，英文写作 speech to text，也写成 speech-to-text，缩写为 STT，指的是把说出口的声音变成文字的过程。识别模型接收来自麦克风或录音文件的音频，返回一份文字稿。这个词说的是转换这件事本身，而不是某一款具体的应用，所以两款工具都能做语音转文字，用起来的感受却可能相差很远。
这三种说法彼此重叠，也正因如此才容易被混为一谈。语音转文字是底层的那一步转换。语音输入是它的一种产品用法，转换出的文字会直接落进你正在输入的那个文本框。Voice AI 的范围最大，除了给出文字稿，还可能理解你的诉求、调用你已经授权的上下文，或者替你把下一步准备好。
音频先被采集下来，切成便于处理的片段，再由识别模型对应成词句，通常还会补上标点和大小写。有的工具在你说话的同时就滚动显示部分文字稿，有的则等这段音频结束后一次性返回全文。输出之后总要有个具体去处：进入你当前聚焦的文本框、放到剪贴板、存成一份文字稿，或者留在工具自己的笔记界面里。把某款工具纳入固定流程之前，先把这个去处确认清楚，它决定了你事后还要做多少复制和整理。
支持哪些语言、怎么处理人名和专业词汇、有没有说话人标注和时间戳、录音时长有无上限、是否支持离线，以及处理是在本机完成还是经由服务端，各家都不一样。收费方式同样有差别，有的作为桌面端功能直接包含在内，有的按分钟计费转写。最好用你自己的麦克风、口音和实际话题去试一遍，因为笼统的说法很少能覆盖每一种使用环境。
语音转文字需要麦克风权限，而录一场会议或一通电话，还可能牵涉到系统音频，以及在场其他人是否知情。要看清楚一款工具究竟录了什么、音频和文字稿会不会被送往服务端、保存多久、你能不能删除。转发或公开之前先把文字稿读一遍：识别错误往往落在人名、数字和专业术语上，而这些地方恰恰最难被一眼看出来。
Cue 是一款面向 macOS 13 及以上、Windows 10 及以上系统的桌面端 Voice AI。做语音输入时，先在受支持的应用里把光标放进文本框，用你所安装版本中显示的语音输入（Dictation）快捷键，开口说话，再检查一遍插入的文字。时间更长的场景，你可以自己启动 Cue 的桌面录音器：会议进行期间它会持续显示逐步生成的文字稿，停止之后给出结构化的笔记和待办事项，而且不会有任何东西出现在参会人列表里。Cue 可免费开始使用。Cue Plus 每月 $19.99。