音频转文字
拖入录音、语音备忘录或视频，即可得到对应语言的文字。语音识别在你的设备上运行。
已封存在本设备上
在浏览器中运行，不上传任何内容。
已封存
你的录音
使用方法
-
添加录音
拖入或选择音频、视频文件。文件在你的设备上读取，不会被上传。
-
选择语言
保持“自动检测”或选择录音中的语言，然后开始。首次使用时会下载一次语音模型。
-
复制或下载
文字会边转写边显示。需要时直接修改，然后复制，或保存为 .txt 文件。
常见问题
我的录音会被上传到服务器吗？
不会。文件在你的浏览器中、在你的设备上解码和转写。只有语音模型会从本网站下载，浏览器会保存它供下次使用。你的音频和转写出的文字都不会发送到任何地方。
转写的准确度如何？
清晰的语音效果不错，但并不完美。背景噪音、音乐、浓重的口音、多人同时说话、人名和专业术语都可能导致错误。使用前请通读文字并直接修改。本工具不区分不同的说话人。
支持转写哪些语言？
50 多种，包括中文、英语、西班牙语、法语、德语、葡萄牙语、意大利语、荷兰语、波兰语、俄语、乌克兰语、土耳其语、阿拉伯语、印地语、日语、韩语、印尼语、越南语和泰语。使用人数越多的语言，准确度越高。自动检测会听取前 30 秒。
需要多长时间？
取决于你的设备和录音时长。语音识别在你的处理器上运行，因此较新的电脑比旧手机快得多。首次运行还包括一次性的模型下载，需经你同意。你可以随时取消，并保留已经转写的内容。
支持哪些文件？
大多数音频和视频文件：MP3、WAV、M4A、AAC、OGG、Opus、FLAC、MP4、WebM 和 MOV。浏览器自身无法读取的文件，工具会尝试用内置转换器处理。最大可打开 2 GB 的文件；很长的录音需要大量内存。
它使用了哪些开源组件？
语音识别采用 OpenAI 以 MIT 许可证发布的 Whisper（base 模型），使用 ONNX Community 提供的 ONNX 版本。它通过 Hugging Face 的 Transformers.js（Apache-2.0 许可证）和 Microsoft 的 ONNX Runtime Web（MIT 许可证）运行。浏览器无法自行解码的文件，会用编译为 WebAssembly 的 FFmpeg（ffmpeg.wasm）转换，其核心采用 GPL 许可证。