转录音频 不发往任何地方。

一个免费的语音转文字工具，由运行在你自己设备上的 Whisper 模型驱动，在浏览器本地转写音频和视频。它适用于会议、访谈、讲座、播客和语音备忘录——包括那些绝不应该上传到云端转写服务的敏感录音。

这里没有账号、没有任务队列，也不按分钟计费。你从三档 Whisper 中选择一档，拖入文件或直接录音，就能得到一份带时间戳、说话人轮换标签和五种导出格式的交互式转写稿——一切都在你打开的标签页里完成。

工作原理

文件在浏览器中通过 Web Audio API 解码，并重采样为 Whisper 所要求的 16 kHz 单声道音频。随后模型通过 Transformers.js，以 30 秒窗口、10 秒重叠的方式运行，因此长达一小时的录音可以边处理边显示进度，时间戳在窗口边界处依然准确。在支持 WebGPU 的 Chrome 或 Edge 上，模型在 GPU 上执行，一小时的文件远短于实际时长即可完成；Safari、Firefox 和较老的机器则走 WebAssembly 路径，功能完全相同。模型权重只下载一次并由浏览器缓存，此后转写可以离线进行。

三档 Whisper 模型，99 种语言

权衡由你自己决定：tiny 是一个 39M 参数、约 150 MB 的模型，在任何设备上都很快；base（74M，约 220 MB）是准确度与速度之间推荐的平衡点；small（244M，约 600 MB）是准确度最高的一档，在口音和嘈杂录音上表现更好，代价是下载体积和推理时间。三档模型的带时间戳构建都提供逐词计时，驱动点击跳转播放和词级导出。

自动语言检测只需一次点击；你也可以固定指定约 99 种受支持语言中的任意一种——从英语、普通话和日语，到资源较少的语种——这也有助于提升短片段的准确度，因为检测在短片段上可用的信号很少。

说话人轮换标签

当转写稿中存在人与人之间的停顿时，工具会在各话轮之间轮换标注说话人 A、说话人 B（依此类推）；依据是停顿长度——默认为约 0.8 秒的间隔——而不是声音特征。标签会出现在转写稿和导出文件中，你可以重命名它们（改成真实姓名、角色或任何名称），也可以合并相邻且本属一体的话轮。

这是刻意保持诚实的表述：它做的是话轮标注，而不是声纹识别或说话人识别。模型从不分析一个人是谁，因此同一位说话人在长停顿之后再次发言时，可能会像真正的新说话人一样获得一个新标签。

录音、编辑与导出

除了拖入文件，你还可以直接录制麦克风：实时电平表显示输入状态，可以暂停和继续，结束录音后会自动将其加入转写队列。完成的转写稿配有一个定制音频播放器——点击任意一行即可跳转，当前行会高亮显示——同时支持行内文本编辑、全文搜索，以及时长、字数和已用处理时间的统计。

结果可导出为带时间戳和说话人标签的 SRT 或 WebVTT、纯文本 TXT、Markdown 或结构化 JSON，也可以直接复制到剪贴板。没有任何水印。

免费版与 Pro 限制

免费版可转写单个最长 30 分钟的文件，每批最多排队 5 个文件，可单独下载或打包为 ZIP 一起下载。Pro 将单个文件上限提高到 180 分钟，每批提高到 50 个文件。两个档位都没有运行次数限制、没有每月分钟配额，也没有水印，并且都包含商用授权——唯一的区别是单文件时长和批量大小。超出上限的文件会被拒绝，并给出明确提示和升级路径；绝不会被静默裁剪。

常见问题

说话人标签能替代专业的说话人分离（diarization）吗？不能——它基于停顿轮换标签，并且对此毫不含糊；若要达到制作级别的归属标注，你仍需检查并重命名各个话轮。

可以离线使用吗？可以，你选择的模型档位下载过一次之后，浏览器会保留它，再次使用无需联网。

在低内存设备上处理超长录音会怎样？处理开销随设备内存而定，因此把数小时的录音拆分是实用的变通办法；当缺少 WebGPU 时，WASM 模式仍保留全部功能。

免费版真的包含商用授权吗？是的——产出归你所有，没有水印，也不按次收费。