音频视频转字幕(AI)
用 Whisper 把语音转成 SRT、VTT 或文字,在浏览器中完成
在浏览器中运行
拖入音频或视频文件
MP3、WAV、M4A、OGG、MP4、WebM 以及浏览器能播放的任何格式
文件留在你的设备上。只有 AI 模型会下载一次并由浏览器保存。
首次使用会下载模型,之后立即开始。没有 WebGPU 的电脑处理长文件需要一些时间。
浏览器中的 AI 转写是如何工作的?
本工具用 transformers.js 在你自己的设备上运行 OpenAI 开源的语音识别模型 Whisper。浏览器解码音轨并重采样到 16 kHz,模型把每 30 秒的片段转成带开始和结束时间的文字。这些片段会成为 SRT 或 WebVTT 字幕,或纯文字稿。模型从 Hugging Face Hub 下载一次后由浏览器缓存;音频本身不会发送到任何地方。有 WebGPU 时使用显卡,否则使用 CPU。
使用场景
- 为 YouTube、抖音、剪映或 Premiere 的视频自动加字幕,无需手打
- 获取采访、讲座、会议或播客的文字稿
- 把语音消息或简短录音转成文字
- 把其他语言的语音翻译成英文字幕
何时使用?
适合约一小时以内、发音清晰的文件。快速适合短片和草稿;均衡是不错的默认选择;精准对口音和噪音明显更好,但下载更大,没有显卡时更慢。知道说话语言时请选择它,短片上自动检测可能出错。发布前务必检查结果:人名和专业术语是常见错误,之后可以用字幕转换器调整时间轴。
示例
为视频生成 SRT 字幕
输入
一段 2 分钟的中文 MP4 采访。模型:均衡。语言:中文。输出:原语言。
输出
一个约 30 段带时间的中文 .srt 文件,可直接用于播放器或剪辑软件。
把演讲翻译成英文字幕
输入
一段西班牙语播客片段(M4A)。模型:精准。输出:翻译成英文。
输出
保留原时间轴的英文字幕,可导出为 SRT、VTT 或文字。
常见问题
我的音频会上传到服务器吗?
不会。文件在浏览器中解码和转写。唯一的下载是 Hugging Face Hub 上的 AI 模型,之后由浏览器保存。
应该选哪个模型?
先用均衡。短片或较慢的电脑用快速;有口音、背景噪音或重要工作,并且能等更大的下载时用精准。
为什么这么慢?
语音识别计算量很大。在支持 WebGPU 的浏览器(新版 Chrome、Edge、Safari)中用显卡运行会快很多,否则使用 CPU。请保持标签页打开直到完成。
支持哪些语言?
Whisper 能识别约 100 种语言,英语、西班牙语、中文、日语等常用语言最准确。翻译功能始终译成英文。