我的音频或视频文件会上传到服务器吗？

不会。本工具完全在您的浏览器中运行，使用本地 AI 模型。您的文件绝不会离开您的设备，确保敏感录音、采访或个人笔记的绝对隐私。

Tiny 和 Base 模型有什么区别？

Tiny 模型较小且速度更快，非常适合清晰的音频或较旧的设备。Base 模型较大，处理时间稍长，但准确率更高，尤其适合复杂的音频、带有口音或有背景噪音的情况。

支持，您可以使用本工具将视频转文字。它会在您的浏览器中本地提取 MP4、WebM 和 MOV 等视频格式的音轨，然后再进行转录。

底层 AI 模型支持将非英语语音翻译成英语。如果您上传西班牙语或法语的音频文件并勾选“Translate”，最终输出的文本将是英语。

首次运行时，本工具需要将 AI 模型下载到您的设备中。下载完成后，模型会缓存在您的浏览器中，后续的转录任务将立即开始，无需再次下载文件。

可以。转录完成后，您可以将带有时间戳的结果下载为 SRT 或 WebVTT 文件。这些都是标准的字幕格式，兼容大多数视频播放器和视频剪辑软件。

过去，将语音转换为文字通常需要购买昂贵的软件，或者将媒体文件上传到第三方云服务器。这款 语音转文字 工具打破了这一常规，将强大的 AI 语音转写功能直接搬到了您的浏览器中。无论您是需要提取讲座音频、生成会议记录，还是将视频转文字来制作字幕，都能即时、安全地完成。

由于 AI 模型完全在您的设备本地运行，这是一款绝对私密且免费的音频转文字解决方案。您的媒体文件绝不会被上传、存储或被外部服务器分析。无论是机密采访、未发布的播客还是私人录音，都能确保绝对安全。

支持音视频格式。 使用本工具前无需转换文件格式。它支持 MP3、WAV、M4A 和 OGG 等标准音频格式，以及 MP4、WebM 和 MOV 等视频格式。工具会在后台自动提取视频音轨。

导出为纯文本或字幕。 文件处理完成后，您可以将纯文本复制到剪贴板，或将其下载为 .txt 文件。如果您需要时间戳，本工具可生成标准的 .srt 和 .vtt 字幕文件，这些文件可以直接导入视频编辑器或媒体播放器中。

内置翻译功能。 驱动本工具的 AI 模型不仅提供语音转写功能，还能进行翻译。如果您有受支持语言（如西班牙语、法语、日语或德语）的音频文件，并且希望获取英文文本，只需在开始前勾选“翻译”选项即可。

可选 AI 模型。 您可以根据需求在两种不同大小的模型之间进行选择。“Tiny”模型非常高效，下载速度快，即使在老旧硬件上也能快速运行。“Base”模型稍大且运行速度稍慢，但对于复杂的音频，其准确率有显著提升。

新闻采访与学术研究。 在撰写文章或论文时，手动将采访录音整理成文字往往是最耗时的环节。使用自动化工具处理录音，只需几分钟即可生成高准确率的文本初稿。这样您就能将精力集中在内容编辑和提取引言上，无需再逐字听写。

内容创作与无障碍体验。 无论是在网站还是社交媒体上发布视频，添加准确的字幕对于提升无障碍体验和观众留存率都至关重要。您可以使用本工具将视频转为文字，下载 .srt 字幕文件，并将其与视频内容一并上传。

会议纪要与课程讲座。 在快节奏的课堂或重要的商务会议中，您无需再手忙脚乱地记笔记。只需先录音，事后再将音频转成文字即可。这样不仅能保留完整的发言记录，还能方便日后随时搜索查阅。

本工具由先进的开源自动语音识别系统 Whisper 提供支持。过去，运行 Whisper 这类模型需要高端显卡和复杂的 Python 环境。但现在，本工具利用 Transformers.js，直接在你的浏览器中运行该模型。

首次点击“开始”时，浏览器会下载模型文件（大小约为 40 到 75 MB，取决于你选择的是 Tiny 还是 Base 模型）。这些文件会安全地缓存在浏览器中。在实际处理时，本工具会调用 WebGPU（旧设备上则使用 WebAssembly），利用设备自身的硬件来完成高强度的计算。

由于所有的解码和转写过程都在设备的内存中进行，因此你能处理的文件长度，仅受限于电脑或手机的可用 RAM。

确保音频清晰。 当语音清晰且背景噪音极小时，AI 模型的识别效果最佳。如果您是专门为了转文字而录制语音备忘录，请尽量靠近麦克风并清晰发音。
手动设置语言。 虽然“自动检测”功能很方便，但从下拉菜单中明确选择音频语言可以提高准确率，这样模型就不必消耗算力去通过前几秒的音频猜测语言。
选择合适的模型。 如果您的音频包含多个说话人、口音较重或有背景底噪，请务必选择“Base”模型。“Tiny”模型仅适用于非常清晰、录音室级别的语音录音，或者在您赶时间时使用。
提前准备文件。 如果您需要在转录前快速录制备忘录，可以使用我们的在线录音机。如果您有一个超大的视频文件，且只想提取音频存档，请先尝试使用视频转 MP3转换工具。