视频中的声音转化为文字主要依赖于语音识别技术。

语音识别（Speech Recognition）是指将语音信号转换为文字的技术，它是计算机语音处理的一个重要组成部分。语音识别技术基于声学模型和语言模型。声学模型用来描述语音信号的特征，比如频率、音调、音量等，这些特征可以描述语音信号的特征。语言模型则描述的是语言的特征，如词序、句子结构等。

语音识别系统结合了声学模型和语言模型，根据声学模型提取出的特征，来推断语音信号中的内容，最终将语音信号转换为文字。为了提高转换的准确率，系统会利用一些前沿的算法，如深度神经网络等，对语音信号进行处理和优化。同时，系统也会根据不同的语音特点和语言习惯进行相应的优化和调整，以提高转换的准确度和效率。