语音转文字（生成字幕）
用在浏览器中运行的 AI 语音识别模型 Whisper，把 MP3、WAV、M4A、MP4、MOV 等文件中的说话内容转成 SRT 或 VTT 字幕或纯文本；可自动识别语言，也可把语音翻译成英文。
本地处理
文件只在当前浏览器处理；关闭或清空后不保留。
选择文件
MP3、WAV、M4A、AAC、OGG、FLAC、WebM、MP4、MOV、MKV，最多 5 个
把文件拖到这里，或
调整设置
可调整说话语言、输出文字、文件格式 等
开始处理
在本机浏览器中处理，可随时取消
工具介绍
把音频和视频里的说话内容转成字幕或文字：MP3、WAV、M4A、AAC、OGG、FLAC、WebM、MP4、MOV、MKV 文件都可以转成 SRT 或 WebVTT 字幕或纯文本，例如给视频加字幕、整理采访或会议记录、把课程录音整理成笔记。可以自动识别语言，也可以把任何语言的语音翻译成英文。
识别由 OpenAI 的开源多语言语音识别模型 Whisper base（7400 万参数，MIT 许可证）在你的浏览器中完成，文件不上传。模型约 79 MB，首次使用时下载，之后由浏览器保存。在性能好的台式机上，转写速度约为实时的 3 倍，笔记本电脑上大致与实时相当。每次最多 5 个文件，合计 80 MB，每个不超过 60 分钟。
使用步骤
- 选择或拖入最多 5 个音频或视频文件（MP3、WAV、M4A、AAC、OGG、FLAC、WebM、MP4、MOV 或 MKV），合计不超过 80 MB。
- “说话语言”保持“自动识别”，知道是什么语言时也可以直接选择。
- “输出文字”保持“原语言”；选择“英文（翻译）”则把任何语言的语音译成英文。
- 选择“文件格式”：“SRT 字幕”（默认）、“WebVTT 字幕”或“纯文本”。中文语音还可以在“中文字形”中选择“简体”或“繁体”。
- 点击“运行”，第一次运行会先下载模型。完成后在 transcript.txt 的预览中查看全部文字，再逐个下载文件，或打包成 ZIP 全部下载。
格式与限制
- 输入
- MP3、WAV、M4A、AAC、OGG、FLAC、WebM、MP4、MOV、MKV，最多 5 个
- 输出
- X-SUBRIP、VTT、TXT、纯文本
- 大小上限
- 单个文件 80 MB
- 可调设置
- 说话语言；输出文字（原语言、英文）；文件格式（SRT 字幕、WebVTT 字幕、纯文本）；中文字形（简体、繁体）
- 隐私
- 文件留在当前浏览器会话中，不上传文件字节。
- 费用
- 免费，无需注册
常见问题
文件会上传吗？
不会。只从本站下载模型，声音在你的浏览器中解码和识别，始终留在本机。
识别准确吗？
Whisper base 是一个小模型：清晰的英语识别得很好，其他主要语言的清晰语音也基本可用；但口音重、有背景噪音、多人同时说话、有音乐或语言较少见时错误会变多，人名和专业术语也常常写错，中文的错误比英文多。噪音大的录音可以先用“音频降噪（去除背景噪音）”处理，发布前请检查一遍文字。
能识别和翻译哪些语言？
Whisper 支持 99 种语言，“自动识别”可以识别其中任何一种；“说话语言”列表列出了其中 19 种。语言根据开头 30 秒判断，并用于整个文件，所以录音开头是音乐或另一种语言时，请手动选择语言。翻译只能译成英文。
录音最长多久？要处理多长时间？
每个文件最长 60 分钟，更长的可以先用“音频裁剪”或“视频剪切”剪开。所有文件合计不超过 80 MB，较大的视频可以先用“视频提取音频”取出声音。每次运行最长 30 分钟（不含首次下载模型的时间）：在性能好的台式机上约可处理 90 分钟的录音，在与实时速度相当的笔记本电脑上约 30 分钟。
为什么中文结果是简体字？
Whisper 输出的中文是繁体字。选择默认的“简体”时，文字会用 OpenCC 逐字转换为简体，用词保持原样；选择“繁体”则保留 Whisper 的原字。两种情况下，中文旁边的逗号、问号等标点都会换成中文标点。
会得到哪些文件？字幕时间轴准确吗？
每个录音得到一个同名的字幕或文本文件，例如 interview.srt。每条字幕是约 2 到 10 秒的一段，时间精确到 0.02 秒，由 Whisper 预测；录音按每 30 秒一段处理，没有说话的静音和音乐会被跳过。transcript.txt 包含全部文字，不带时间；有多个文件时，每个文件的文字前会标出文件名，在工作流中还可以交给下一步，例如翻译。
相关工具
视频提取音频（MP4 转 MP3）
从 MP4、MOV、MKV、WebM 视频中提取音轨，转换为 MP3、M4A、OGG、WebM 或 WAV，或原样保存，可截取时间段，文件不上传。
视频静音
去除 MP4、MOV、WebM、MKV 视频中的音轨（声音）。画面直接复制、不重新编码，画质、分辨率和旋转方向完全不变。
音频格式转换（MP3、M4A、OGG、WAV）
把 MP3、WAV、M4A、AAC、OGG、FLAC、WebM 音频转换为 MP3、M4A、OGG、WebM 或 WAV，可设码率、采样率和声道；MP3 由 LAME 编码，其他格式由浏览器编码，文件不上传。
音频降噪（去除背景噪音）
用在浏览器中运行的小型神经网络 RNNoise 去除人声录音、播客、课程和通话中的嗡嗡声、嘶嘶声、风扇和车流等背景噪音，保存为 MP3、M4A、OGG、WebM 或 WAV。
音频拼接（合并音频）
按添加顺序把 MP3、M4A、WAV、OGG、FLAC 等音频合并成一条音轨，可首尾相接、中间留空白或交叉淡入淡出，保存为 MP3、M4A、OGG、WebM 或 WAV。
在线录音
用麦克风录制人声或任何声音，带电平表，可暂停和继续，录完保存为 MP3、WAV，或浏览器原生的 WebM、M4A。