音訊與影片轉文字 使用方法
- 1
加入錄音
拖放 MP3、M4A、WAV、MP4 或 MOV 檔案，或切換到「錄製音訊」，對著麥克風說話。
- 2
開始轉錄
Base 適合大多數錄音；Small 對口音和雜音的處理較好。語言可保持自動偵測，也可以自行指定。
- 3
閱讀、播放與搜尋
播放時跟著標示的字詞閱讀，點選字詞即可跳到該處，也可以搜尋人名或主題。
- 4
儲存結果
複製文字，或下載 TXT、DOCX、SRT、VTT 或含字詞時間的 JSON。
限制與 Pro
每個檔案或錄音最長 10 分鐘（更長的檔案只會轉錄前 10 分鐘），檔案上限 500 MB。語音模型只需下載一次：43 MB（Tiny）、80 MB（Base）或 252 MB（Small）。
每個檔案最長 600 分鐘，檔案上限 4 GB。 查看 Pro
關於 音訊與影片轉文字
「轉錄」是一款語音轉文字工具，適合處理訪談、課堂錄音、會議、Podcast、講道和語音備忘錄。你可以選擇一段錄音，或用麥克風現場錄製，開源的 Whisper 模型會把說話內容寫成文字，並加上標點符號與大小寫，支援 99 種語言。長錄音會以 30 秒為一個視窗逐段處理，所以後面還在處理時，前面的文字就已經出現；若有字詞剛好被視窗邊界截斷，也會從下一個視窗重新辨識，不會遺漏。
結果以方便閱讀的方式呈現，而不是一大片文字：句子會依說話者停頓的位置分成段落，每個段落可顯示起始時間，每個字詞也都有自己的時間戳記。按下播放，正在念到的字詞會被標示出來；點選任何一個字詞，就能聽到那段前後文。搜尋功能可以在整份逐字稿中找出某段文字，並逐一跳到每個符合的位置。
下載格式涵蓋常見的後續需求：純文字（可含或不含時間戳記）適合做筆記，Word 文件方便編輯與分享，若錄音要作為影片發布，可使用 SRT 或 VTT，開發人員則可使用含每個字詞起訖時間的 JSON。逐字稿不會標示說話者是誰，也不是即時字幕工具，必須先錄音，再進行轉錄。
隱私
錄音會留在你的電腦或手機上：檔案在本機開啟，麥克風音訊錄製在此頁面的記憶體中，Whisper 在背景執行，不會把音訊傳送到任何地方。關閉分頁後，錄音和逐字稿就會消失。只有語音模型會從 Hugging Face 下載一次，並保存在瀏覽器的快取中。
功能
不會上傳任何內容
解碼與辨識都在這個瀏覽器分頁內完成，機密的通話和訪談只會留在你手上。
99 種語言
可自動偵測語言，也能把任何支援的語言翻譯成英文。
字詞層級的時間戳記
每個字詞都有時間，可以點選播放，並隨著即時標示一起閱讀。
用麥克風錄音
錄下語音備忘錄、訪談或口述內容，馬上轉錄。
TXT、Word、SRT、VTT、JSON
匯出你需要的格式：文件、字幕，或供自有工具使用的結構化資料。
搜尋逐字稿
找出人名或詞句的每一次出現，並在符合的位置之間跳轉。