用剪映或讯飞这些软件，先点转换功能，选好视频，等它把声音变文字就行。如果视频里背景音乐大，或者说话人离麦克风远，生成的文字可能不太准。处理时间看视频长短，1分钟大概30秒出结果。免费版可能有限制，比如每分钟只能转3分钟。

为什么是这个答案？因为视频转文字得靠软件里的语音识别技术，就像人把耳朵贴在电视上听清内容一样。前年调查显示，安静环境下准确率有95%，但嘈杂环境会掉到70%。比如有人边说话边敲键盘，软件可能把敲击声当成说话。处理时间跟视频长度成正比，1分钟转完要30秒，3分钟就1分半。免费软件为了赚钱，要么加广告，要么限制字数。模拟，句子容易合并，比如“他说这个很好”变成“他说这个很好很好”，标点也可能乱，比如把句号变成逗号，或者把“的”字少打一个。