免费无限制的
AI 语音转文字
只需选择音频文件，Whisper AI 就会在浏览器内完成转写。音频不会被发送到服务器。无需注册，没有时长限制，完全免费。
该语言在较小的模型上准确率会明显下降，请选择「Whisper Small」或更大的模型
通常保持「自动」即可。仅当结果中的说话人数与实际明显不符时才需指定
使用方法
- 1
上传音频
支持 MP3、WAV、M4A、FLAC 等主流格式，也可以直接拖放文件。
- 2
AI 自动转写
Whisper AI 在浏览器内进行推理。首次运行时会下载模型（根据所选模型，约 40 MB 至 1.6 GB）。
- 3
导出结果
可导出为纯文本或 SRT 字幕，并支持说话人分离。
可以用来做什么
不离开浏览器就能把录音变成文字。由于不会上传任何内容，也适合处理无法交给第三方服务的录音。
会议记录
说话人分离会用颜色区分每位参与者，转写结果已经接近一份会议纪要。内部录音不会流向外部服务器。
采访转写
录音时长没有限制。会自动区分采访者与受访者，并可分别为其命名。
视频与 YouTube 字幕
可直接读取 MP4 或 WebM 文件，一边播放视频一边核对和修改字幕，再导出带时间码的 SRT 字幕，无需事先转换。
讲座与研讨会笔记
把录下的课程保存为可检索的文字。专业术语较多的音频建议使用更大的模型。
语音备忘录
手机录制的 M4A 备忘录可以直接读取并转成文字。
播客与直播存档转写
把过往节目转成文字，可再利用为文章，或作为提升搜索曝光的基础。
按用途选择
如果已经确定了文件类型或使用目的，从这里开始，设置已经为各场景调整好了。
准备音频、视频，以及转写之后
同一作者的其他工具。先保存 X 的直播再转写、把长录音缩短后再导入、把生成的 SRT 烧录进视频，全部在浏览器内完成。
支持的文件格式
- 音频文件
- MP3・WAV・M4A・AAC・FLAC・OGG・Opus・AIFF・WMA・AMR・WebM
- 视频文件
- MP4・MOV・MKV・WebM・AVI・WMV・FLV・MPG・MPEG-TS・3GP（会提取音轨进行转写，结果可作为字幕叠加在视频上播放）
- 导出格式
- TXT（纯文本）・SRT（带时间码的字幕）
- 文件大小上限
- 单个文件最大 2 GB（手机上为 500 MB）
- 支持的语言
- 日语・英语・中文・韩语・西班牙语・法语・德语・葡萄牙语・俄语・意大利语・印尼语。选择自动检测后，列表之外的语言也可以直接转写
不需要事先把视频转换成音频，文件读取时浏览器就会提取音轨。
可选模型
共有 6 种模型。模型越大转写越准确，但首次下载的体积和所需的性能也会增加。
| 模型 | 大小 | 说明 |
|---|---|---|
| Whisper Tiny | GPU 〜145 MB / CPU 〜40 MB | 快速轻量，适合清晰的音频 |
| Whisper Base | GPU 〜280 MB / CPU 〜75 MB | 速度与准确率较为均衡 |
| Whisper Small | GPU 〜925 MB / CPU 〜240 MB | 准确率高，擅长专业术语和较难的音频 |
| Whisper Medium | GPU 〜1.0 GB / CPU 〜650 MB | 介于 Small 与 Large 之间，准确率高但体积较大 |
| Whisper Large v3 Turbo | GPU 〜1.5 GB / CPU 〜725 MB | 接近最高准确率且速度快，建议使用 WebGPU（推荐） |
| Whisper Large v3 | GPU 〜2.0 GB / CPU 〜1.2 GB | 完整的 Large v3。准确率最高，体积最大且速度慢（基本必须有 WebGPU） |
Medium 及以上的模型需要支持 WebGPU 的环境。若无法使用 WebGPU，请选择 Small 及以下。
作为参考，在 Windows 11 与 GeForce RTX 2060 SUPER（8 GB）的组合下，Whisper Large v3 可以运行。
与云端转写服务的区别
常见的转写服务会把音频发送到服务商的服务器处理。Transcriber 则在浏览器内运行模型，取舍因此不同。
| 对比项 | 一般的云端服务 | Transcriber |
|---|---|---|
| 音频去向 | 上传到服务商的服务器 | 不会发送，在你的设备上处理 |
| 免费额度 | 通常按每月分钟数设限 | 没有时长与次数限制 |
| 是否需要账号 | 通常需要 | 不需要 |
| 离线使用 | 无法离线 | 下载模型后即可离线 |
| 速度取决于 | 服务商的服务器性能 | 你自己设备的 GPU / CPU |
云端服务的优势在于低配设备上也能有稳定的速度。浏览器内处理更适合录音不能外流的场景，或需要处理长音频而不想受额度限制的情况。
常见问题
真的免费吗？有时长或次数限制吗？
完全免费。时长、次数、字数都没有限制，也不需要信用卡。唯一的上限是单个文件 2 GB（手机上为 500 MB），在此范围内可以随意使用。
音频会被上传到服务器吗？
不会。Whisper AI 在浏览器内进行推理，音频不会离开你的设备，既不会保存在服务器，也不会交给第三方。
需要注册或登录吗？
不需要。打开页面选择音频文件即可开始转写，不会要求你填写邮箱地址。
支持哪些文件格式？
音频支持 MP3、WAV、M4A、AAC、FLAC、OGG、Opus、AIFF、WMA 和 AMR；视频支持 MP4、MOV、MKV、WebM、AVI、WMV、FLV、MPG、MPEG-TS 和 3GP。可以拖放文件，也可以通过文件选择框打开。
可以转写视频文件吗？
可以。读取 MP4、MOV、MKV、WebM 或 AVI 文件后，浏览器会提取其中的音轨进行转写，无需事先转换成音频文件。转写完成后，可以播放视频并将结果作为字幕叠加显示，用来核对和修改，也可以用翻译后的字幕观看。单个文件最大 2 GB（手机为 500 MB）。 用 X Video Downloader 保存的 X（Twitter）视频可以直接导入；如果想先只提取音频，可以使用 Media Tools。
能区分不同的说话人吗？
支持说话人分离（Beta）。会议、采访等多人录音会以不同颜色区分每位说话人。说话人数会自动推测，通常无需指定。结果中的说话人标签可在页面上重命名，误分开的说话人也可以合并，还可以逐行更改说话人或拆分。若在 Firefox 以外的浏览器中使用 WebGPU 进行转写且说话人数设置为「自动」，说话人分离使用 NVIDIA Nemotron 3 Diarization 模型，其他情况下则使用 pyannote；两种情况下都会使用 WeSpeaker 比较声音特征。
可以生成字幕文件吗？
可以。转写结果能导出为带时间码的 SRT 字幕，可直接导入视频编辑软件或视频平台。也支持导出纯文本（TXT）和复制到剪贴板。 想把导出的 SRT 直接烧录进视频，可以使用 Media Tools（字幕烧录）。
可以翻译转写结果吗？
可以。在结果标题中点击“翻译”，选择源语言和目标语言后，每一行下方都会显示译文。TXT / SRT 可以按原文、译文或双语导出。如果读取的是视频，还可以在播放时把译文作为字幕叠加在视频上。翻译使用 Chrome 138 及以上 / Edge 148 及以上桌面版内置的翻译引擎，全部在本设备上完成，转写文本不会被发送到任何地方。智能手机以及 Firefox、Safari 无法使用。首次使用某种语言时需要下载对应的翻译模型。
可以离线使用吗？
可以。AI 模型下载一次之后，没有网络也能进行转写。根据所选模型，体积大约在 40 MB 到 1.6 GB 之间。
怎样才能提高准确率？
选择更大的模型可以提高准确率。在支持 WebGPU 的环境中，「Whisper Large v3 Turbo」兼顾高准确率与速度，值得推荐。另外，不要停留在「自动检测」，明确指定实际语言也能减少识别错误。
可以在手机上使用吗？
可以，但为保护设备会以节省内存的模式（WASM）运行，且文件上限为 500 MB。较长的录音或录像建议使用电脑。
你们会收集错误信息吗？
仅收集修复问题所需的统计信息：设备性能（GPU 型号、内存、核心数）、浏览器与操作系统、所选模型与语言、处理进行到哪一步、错误类型与内容、文件格式和大致的大小与时长，以及处理耗时。为了统计失败率，成功时也会发送同样的项目。音频数据、转写结果、文件名和 IP 地址一律不会发送，数据也只发送到本站自有服务器，不会交给第三方服务。你可以随时用页面下方「诚邀协助提升服务品质」中的开关停止发送。
诚邀协助提升服务品质
无论成功还是失败，如果能把当时的情况发送给我们，都有助于查明原因（统计失败率需要两者兼有）。了解哪些设备、哪些设置更容易失败后，我们就能调整推荐设置并修复相应问题。如果方便，保持开启会帮上很大的忙。
会发送的信息
设备性能（GPU 型号、内存、核心数）、浏览器与操作系统、所选模型与语言、处理进行到哪一步、错误内容、文件格式和大致的大小与时长，以及处理耗时。
不会发送的信息
音频数据、转写结果、文件名和 IP 地址。数据只发送到本站自有服务器，不会交给第三方服务。