拖入一段录音，获取文字转录稿。模型在你的设备上运行，首次从本站下载一个小型 Whisper 模型；你的音频从不上传。
音频转录使用 Whisper 语音识别模型，通过 Transformers.js 完全在您的浏览器标签内运行，把一段录音转换成文字。第一次运行时，浏览器会从本站下载所需的模型和 WebAssembly 引擎（总计约 68 MB），然后将其缓存；此后每一次转录都在您的设备上完成，不涉及任何服务器，也不会有任何音频离开您的机器。这与本站 OCR 工具和其他音频工具一样：真实的一次性下载，换来真实的离线处理，而不是一句营销说辞。
这里使用的模型是 whisper-tiny.en：Whisper 系列中最小的、经过量化的纯英语版本。它足够快，可以在浏览器标签内运行，并能生成一份有用的初稿，但它不是专业转录服务。遇到专有名词、专业词汇、浓重口音、背景噪声和多人交叉说话时，预计会出现错误。超过约 30 秒的录音会被拆分为有重叠的片段处理，以确保整个文件都能被转录，但一小时的采访仍然需要真实的计算时间，因为一切都在您自己的设备上运行，而不是在数据中心。
这在很大程度上取决于音频质量。靠近麦克风录制、背景噪声较少的清晰单人英语录音，转录效果相对不错。口音、交叉说话、背景音乐或噪声，以及专业词汇（人名、行话、缩写）都会增加错误。这是一个刻意选用的小型量化模型，为的是能在浏览器标签内运行，而不是 Whisper 系列中最大的模型，所以请把输出当作一份需要审阅和修正的有用草稿，而不是最终文稿。
不支持。此工具使用的是纯英语版本 whisper-tiny.en，之所以选择它，是因为它比多语言版的 tiny 模型体积更小、在英语上更准确。其他语言的音频会产生质量很差甚至无意义的结果。目前尚不支持其他语言。
运行识别所需的语音识别模型和 WebAssembly 引擎（合计约 68 MB）并没有内置在页面中，而是从本站获取一次并由浏览器缓存，这和 OCR 工具下载语言模型的方式类似。完成首次下载后，转录就完全离线运行。不会从任何第三方 CDN 获取任何内容。
不会。录音使用 Web Audio API 和本地的 Whisper 模型，完全在您的浏览器标签内解码和处理。没有任何音频文件、也没有任何转录出的文字会被发送到服务器。模型下载完成后，您甚至可以断开网络连接，转录依然可以正常工作。
这取决于您设备的 CPU 和录音时长，因为一切都在本地运行，而不是在服务器硬件上运行。一分钟以内的短片段通常几秒到不到一分钟就能完成。较长的录音，比如一小时的采访，耗时会成比例增加，并会让您的浏览器标签在这段时间内保持忙碌；请让标签保持打开，处理期间不要跳转到其他页面。
.txt 文件是不带时间戳的纯转录文字，适合阅读或粘贴到别处。.srt 文件是标准字幕格式，为每个语音片段提供一个时间戳范围，适合为视频添加字幕。两者都由同一次转录生成，选择哪种取决于您接下来要做什么。