实用工具
把文件拖到这里
或者点击选择文件。文件只在当前标签页里处理，不会上传到任何服务器。
Whisper 是 OpenAI 以 openai/whisper 开源发布的语音识别模型，大多数转写工具都建立在它之上。本页用 huggingface/transformers.js 在标签页里运行它：浏览器先解码录音的音轨，重采样成 16 kHz 单声道，模型再按 30 秒一段进行转写。想快选 tiny，想准选 base，知道语种就指定一下，最后得到纯文字或带时间轴的 SRT 字幕。它免费、不上传，但速度比云端 API 慢得多。
它是怎么工作的
- 量化后的模型首次使用时从 Hugging Face 下载，tiny 约 40 MB、base 约 77 MB，之后由浏览器缓存。
- 长音频会切成 30 秒一段、相邻重叠 5 秒，这是 Whisper 处理超过自身窗口长度的音频的标准做法。
- 翻译模式会让 Whisper 不管说的是什么语言都输出英文；Whisper 只能翻译成英文，没有别的目标语言。
你的数据去了哪里
哪也没去。本工具完全在你的浏览器里运行：你粘贴的文本由页面处理，不会传输到任何服务器，也不会写进任何日志。
本工具免费且无需登录，运行结果只存在于你当前的页面里，不会被保存到任何地方。
它要花多少
本工具完全免费，不需要登录，也不消耗积分。
常见问题
- 转写要多久？
- 取决于你的 CPU，因为模型跑在 WebAssembly 上，而不是数据中心的 GPU。在较新的笔记本上，base 模型大约要花掉录音时长相当可观的一部分时间，手机上会慢得多。几个小时的音频，用云端 API 或在自己电脑上跑 whisper.cpp 更现实；本页适合短片段和会议录音。
- 模型一直下载不完，怎么回事？
- 模型权重来自 huggingface.co，ONNX Runtime 文件来自 jsDelivr，在一些网络环境下（包括中国大陆）这两个地址都可能很慢甚至打不开，下载完成之前工具无法开始。只要成功下载过一次，浏览器缓存就能让它之后不依赖网络直接启动。
- 支持哪些文件格式？
- 浏览器能解码的都行：MP3、WAV、M4A、AAC、OGG、FLAC，大多数浏览器还能读取 MP4 和 WebM 视频里的音轨。解码失败时先把音频提出来，比如用 ffmpeg -i input.mov -vn audio.m4a。文件上限 100 MB，因为解码后的整条音轨都要放在内存里。
背后的开源项目
本工具运行在 huggingface/transformers.js 之上，以 Apache-2.0 许可发布。如果你需要在自己的程序里实现同样的能力，直接用这个库。
huggingface/transformers.js也常被称作
- 语音转文字
- 在线语音转文字免费
- whisper在线
- 音频转文字
- 视频转字幕
- srt字幕生成