视频转语音：将任何视频转换成其他语言的音频

如何将视频转换成其他语言的音频？将视频链接粘贴到 Dokitscript（或上传文件），等待转录完成，使用 AI 翻译功能将文字翻译成目标语言，然后点击「试听」。Dokitscript 调用 ElevenLabs 的 eleven_multilingual_v2 模型，生成自然语音并输出可下载的 128 kbps MP3 文件。转录使用 OpenAI Whisper，支持 90+ 种语言；语音合成支持约 29 种语言，需要 Starter 套餐或更高级别。

使用流程

四步将视频转换成语音

无需安装任何软件，在浏览器中即可完成全部操作。

1

粘贴链接或上传文件

粘贴 TikTok、Instagram、YouTube、Facebook、X 或 LinkedIn 的视频链接，或上传最大 50 MB 的音频/视频文件。

2

OpenAI Whisper 自动转录

Dokitscript 支持 90+ 种语言自动转录，自动识别语言，也可手动选择。

3

AI 翻译成目标语言

使用 AI 翻译功能，将转录文字翻译成中文、英语、法语、西班牙语、日语等支持的语言。

4

点击「试听」，下载 MP3

ElevenLabs 生成自然 AI 语音，朗读翻译后的文字，输出 128 kbps 的 MP3 文件供下载。

功能特点

视频转语音包含哪些功能？

从链接到 MP3，一站式完成。

🎙️

ElevenLabs 自然 AI 语音

使用 ElevenLabs 的 eleven_multilingual_v2 模型生成语音，是目前最自然的多语言 AI 语音之一。

🌍

转录支持 90+ 种语言

OpenAI Whisper 处理语音转文字，自动识别语言，支持超过 90 种语言转录。

🔤

内置 AI 翻译

翻译步骤由 Claude AI 驱动，在转换成语音前生成流畅自然的翻译文本。

⬇️

128 kbps MP3 下载

输出标准 MP3 文件，可在播客、视频剪辑、语言学习应用或无障碍工具中直接使用。

🔗

支持所有主流平台

粘贴 TikTok、Instagram Reels、YouTube Shorts、YouTube、Facebook、X（Twitter）或 LinkedIn 的链接，也支持本地文件上传。

📝

同时提供文字转录

在获得 MP3 的同时，完整的转录文字和翻译文本也一并提供，可随时导出为 TXT 或 SRT 格式。

语言支持

语音合成支持哪些语言？

转录和语音合成覆盖不同的语言范围，以下是详细说明。

转录 — 90+ 种语言（OpenAI Whisper）

Dokitscript 可转录超过 90 种语言的语音，包括中文、英语、法语、西班牙语、阿拉伯语、印地语、日语、韩语、葡萄牙语、德语、意大利语等，自动识别语言。

语音合成 — 约 29 种语言（ElevenLabs）

MP3 语音输出由 ElevenLabs 驱动，目前支持约 29 种语言：

中文英语法语西班牙语德语意大利语葡萄牙语波兰语土耳其语俄语荷兰语捷克语阿拉伯语日语韩语印地语印度尼西亚语菲律宾语瑞典语保加利亚语罗马尼亚语希腊语芬兰语克罗地亚语斯洛伐克语丹麦语泰米尔语乌克兰语

注意：转录支持 90+ 种语言；语音合成支持约 29 种语言。若目标语言不在语音列表中，您仍可获得翻译后的文字转录稿。

应用场景

哪些人在使用视频转语音？

适合所有需要将视频内容触达不同语言受众的场景。

内容二次创作

将 TikTok 或 Instagram Reels 视频转换成其他语言的配音，创作者无需重新录制就能触达海外受众。

语言学习

转录一段外语视频，翻译后收听 MP3，用真实内容训练听力。适合学生和自学者。

无障碍访问

将文章或转录稿转换成音频，方便有视觉障碍的用户，或更适合通勤途中收听。

播客制作

将播客节目翻译成第二语言并生成配音轨道，作为面向国际听众的附加内容。

企业培训

将录制的培训课程或教学视频转换成多语言音频，便于跨国团队使用。

配音草稿

在雇用专业配音演员之前，先用 AI 语音生成 MP3 作为参考配音，节省早期制作时间。

视频转语音功能的局限说明：本功能不会替换或修改原视频文件中的音频，不支持口型同步配音，不克隆原说话人的声音，也不提供多种 AI 声音选择。输出结果是独立的 MP3 音频文件——这是一个配音音频，而非配音视频。

套餐说明

每个套餐包含多少分钟的语音合成？

所有套餐均可使用转录和翻译功能。语音合成需要 Starter 或更高级别套餐。

套餐	价格	每月转录次数	最长视频时长	语音合成（MP3）
免费版	$0	5 次/月	3 分钟	不可用
Starter	$4.99/月	200 次/月	8 分钟	6 分钟/月
Pro	$14.99/月	无限次	45 分钟	60 分钟/月
Business	$79.99/月	无限次	5 小时	240 分钟/月

音频时长按每次生成的 MP3 计算，未用完的额度不结转至下月。查看完整价格方案 →

常见问题

视频转语音 — 常见问题解答

粘贴视频链接（或上传文件）到 Dokitscript，等待转录完成后，使用 AI 翻译功能将文字翻译成目标语言，然后点击「试听」。Dokitscript 通过 ElevenLabs 生成自然语音 MP3 文件供下载。整个流程大约需要几分钟。

支持粘贴 TikTok、Instagram Reels、YouTube（含 Shorts）、Facebook、X（Twitter）和 LinkedIn 的视频链接。也可以上传本地音频或视频文件（MP3、WAV、M4A、MP4、WebM，最大 50 MB）。

转录通过 OpenAI Whisper 支持 90+ 种语言。语音合成（MP3 输出）通过 ElevenLabs eleven_multilingual_v2 支持约 29 种语言，包括中文、英语、法语、西班牙语、德语、日语、韩语、阿拉伯语、葡萄牙语、印地语等。

下载的 MP3 文件以 128 kbps 编码，适合用于配音、播客、语言学习和无障碍场景。

不支持。当前功能生成的是独立的 MP3 音频文件，由 AI 自然朗读翻译后的文字。不替换或同步原视频中的音频，不克隆原说话人的声音，也不提供多种声音选择。输出的是配音音频文件，而非配音视频。

语音合成功能需要 Starter 套餐或更高级别。免费套餐提供转录和 AI 文字翻译，但不含 MP3 音频输出。Starter 每月包含 6 分钟音频，Pro 60 分钟，Business 240 分钟。

AI 转录是将语音转换成文字。视频转语音更进一步：先转录视频，再将文字翻译成其他语言，最后将翻译后的文字转换成语音 MP3 文件。这是「语音→文字→语音」的完整流程，中间加入了翻译步骤。

可以。免费套餐提供转录和翻译功能（每月 5 次转录，AI 翻译每月最多 3 次）。MP3 语音合成步骤需要 Starter 套餐或更高级别，起价 $4.99/月。

将任何视频转换成其他语言的语音