语音转文字与字幕
用 Whisper 把音视频转成可编辑的文字和带时间轴的字幕,就在浏览器里完成。文件始终留在这台设备上。
原始文件
首次使用时,浏览器会下载 Whisper Tiny 模型(CPU 模式约 41 MB)。音频始终留在本机。
转写结果
文件与结果仅在当前页面使用。清除或关闭页面可将其删除。Whisper Tiny 模型首次从 Hugging Face 下载一次,之后由浏览器缓存。
如何使用语音转文字与字幕
- 把音频或视频文件拖到页面上,或点「选择文件」。
- 选好语音语言(也可保持自动识别),选好处理模式,再点「生成字幕」。
- 点时间戳对照音频核对每一行,编辑文字,然后复制或导出 SRT、VTT、TXT。
关于这个工具
语音转文字与字幕在浏览器里运行 Whisper Tiny——一个小巧的开源语音识别模型,基于 Transformers.js 与 ONNX Runtime Web。首次使用时,浏览器从 Hugging Face 下载模型(CPU 模式约 41 MB)并缓存;之后转写完全在本机进行。音视频文件不会被上传,转写内容也不会发往任何地方。
常见问题
我的文件会被上传到哪里吗?
不会。转写完全在浏览器里进行,音视频文件始终留在本机。唯一需要下载的是 Whisper Tiny 模型本身:首次使用时浏览器从 Hugging Face 下载(CPU 模式约 41 MB)并缓存。如果打不开 Hugging Face,首次转写会失败——但文件仍然不会离开你的设备。
支持哪些文件,有什么上限?
支持 MP3、WAV、M4A、FLAC、OGG 音频,以及带音轨的 MP4、WebM 视频。单个文件最大 250 MB、最长 20 分钟。如果浏览器解不了某个文件的音轨,请先转成 WAV 或 MP3 再试。
支持哪些口语?
支持自动识别,以及英语、中文、日语、韩语、西班牙语、法语、德语和葡萄牙语。请选择录音里实际说的语言——选错了,转写结果可能变成另一种语言。
WebGPU 和 CPU 模式有什么区别?
自动模式先尝试 WebGPU,启动不了或失败时切到 CPU。WebGPU 用全精度模型(fp16 或 fp32),CPU 模式用更小的量化模型(约 41 MB)。如果浏览器或设备没有 WebGPU——比如在沙箱环境或较旧的硬件上——CPU 模式仍然能用,只是慢一些。
准确率如何,能导出什么?
Whisper Tiny 是小而快的模型:日常口语通常识别得不错,但人名、数字和生僻词可能听错,发布前请校对。点任意时间戳可跳到音频对应位置,逐行就地编辑,然后复制文字或导出 SRT、VTT、TXT。