這個工具做什麼
這個音訊轉文字工具把音訊或影片檔轉成逐字稿，或產生 SRT、VTT 字幕，全程不上傳任何內容。它直接在瀏覽器裡執行 OpenAI 的 Whisper 語音辨識模型，可以免費、私密地轉寫訪談、會議、課程、語音備忘錄和 Podcast。Whisper 也能把其他語言的語音直接翻譯成英文文字。
選好檔案後，頁面用瀏覽器的 Web Audio API 解碼音軌，重新取樣為 Whisper 需要的 16 kHz 單聲道，再在背景 Worker 裡以 30 秒一段（相鄰段略有重疊）轉寫，所以很長的錄音也能處理。結果顯示在輸出框裡，可以複製，或下載為 .txt、.srt、.vtt。
使用方法
- 選擇模型：微型最快，小型最準確，基礎（預設）兼顧兩者。
- 按下下載模型並開始。第一次會顯示下載進度；之後瀏覽器會從快取快速載入。
- 把音訊或影片檔拖到頁面上，或按選擇檔案。多數瀏覽器支援 MP3、WAV、M4A、AAC、OGG、Opus、FLAC、WebM 和 MP4，最大 500 MB。頁面會顯示檔名、長度和大小。
- 轉寫會自動開始，並顯示已完成的段數。修改語言或任務後，按重新轉寫。
- 隨時在純文字、SRT 和 VTT 之間切換輸出格式，不需要重新轉寫。然後複製或下載。
音訊語言預設依前 30 秒自動辨識。手動指定會更快，短音訊也比較不會認錯。選擇翻譯成英文可以把其他語言的語音直接轉成英文文字。模型、語言、任務和格式都保存在網址裡，所以分享按鈕會帶上相同的設定；檔案本身永遠不會出現在連結裡。
範例
一段兩句話的音訊匯出為 SRT 是這樣：
1
00:00:00,000 --> 00:00:03,240
Welcome back to the show.
2
00:00:03,240 --> 00:00:07,800
Today we are talking about speech recognition.VTT 使用相同的字幕段，開頭多一行 WEBVTT，毫秒前用句點，這是 HTML5 影片播放器讀取的格式。
隱私、準確度和瀏覽器需求
除了下載模型，所有處理都在你的裝置上完成，適合處理機密錄音。需要支援 WebAssembly 的新版 Chrome、Edge、Firefox 或 Safari。支援 WebGPU 時（多數桌面版 Chrome 和 Edge）會自動使用，速度快很多；否則自動改用 WebAssembly。長檔案需要記憶體：一小時音訊解碼後占用數百 MB，小型模型也比微型和基礎占用更多，在手機上請關閉其他耗記憶體的分頁。轉寫完成前請保持頁面開啟。
Whisper 對清楚的語音效果很好，對口音和背景噪音也有一定容忍度，但可能聽錯人名和專業術語，遇到靜音或音樂時偶爾會重複或憑空產生一句話。發布前請校對逐字稿。工具不會辨識說話者；影片檔只有在瀏覽器能解碼其音訊編碼時才能轉寫。
常見問題
› 音訊會上傳到伺服器嗎？
不會。檔案在瀏覽器裡解碼和轉寫。唯一的網路請求是第一次從 Hugging Face 下載 Whisper 模型檔；你的音訊、影片和轉寫結果都不會離開裝置。
› 用的是什麼模型？授權是什麼？
OpenAI Whisper（tiny、base 或 small），使用 onnx-community 在 Hugging Face 發布的 ONNX 版本，由 Apache-2.0 授權的 transformers.js 函式庫執行。OpenAI 以 MIT 授權發布 Whisper 的程式碼和模型權重。
› 模型有多大？要等多久？
微型約 40 MB，基礎約 80 MB，小型約 250 MB（WebGPU 下會大一些，因為編碼器使用全精度）。只下載一次，之後由瀏覽器快取。轉寫速度取決於裝置：有 WebGPU 時基礎模型通常比實際長度快好幾倍，只用 WebAssembly 時可能接近實際長度。
› 支援哪些語言？
Whisper 能辨識約 99 種語言，選單列出最常用的，包括中文、英文、日文、韓文、西班牙文、法文和德文。英文和使用廣泛的語言最準確，較少見的語言準確度會下降，微型和基礎模型尤其明顯。自動辨識只聽前 30 秒；如果錄音開頭是音樂或其他語言，請手動選擇語言。
› 能產生字幕或區分說話者嗎？
可以產生帶分段時間軸的 SRT 和 WebVTT 字幕，可匯入 YouTube、VLC 或影片剪輯軟體。它不會區分說話者，時間戳記精確到句子而不是單字。