上传 MP4 / MOV / MP3 / M4A 等音视频,浏览器内用 Whisper 本地识别生成文字稿,自动打时间轴,可导出 TXT 文字稿与 SRT 字幕。文件不上传服务器、免费不限次数、无需注册。
模型在浏览器里跑,文件不出本机。首次需下载模型(约 40–80MB),之后缓存。
填入你自己的 ASR API Key,浏览器直连服务商。识别快、中文更准,按量付费。
视频转文字(Video to Text)指把视频或音频里的说话内容自动转写成可编辑的文本,技术上分两步:先用语音识别(ASR)把声音转成文字,再按时间把文字与音频对齐,从而生成带时间戳的稿件或字幕。
常见的在线转写服务要把文件上传到云端服务器排队处理,好处是快,代价是文件离开了你的设备。本工具走的是另一条路:模型直接在你的浏览器里运行。音频提取(ffmpeg)、语音识别(Whisper)、导出文件(TXT/SRT)全部在本机完成,文件不会离开浏览器,也不占本站任何服务器资源。代价是算力来自你的电脑,速度比云端慢,所以更适合 1 分钟以内的音频;更长的内容建议改用页面上方的「云端 BYOK」引擎,或先用切片工具分段。
| 对比项 | 本工具 · 本地 Whisper | 本工具 · 云端 BYOK | 常见在线转写网站 |
|---|---|---|---|
| 文件去向 | 不出本机 | 直连你选的 API,不经本站 | 上传到对方服务器 |
| 费用 | 完全免费 | 按量付费,自备 API Key | 免费额度有限,超出需充值 |
| 速度 | 约为音频时长的 4–5 倍 | 通常数十秒到 1 分钟 | 较快 |
| 单次时长 | 建议 1 分钟内,上限约 2 分钟 | 取决于服务商,通常 30 分钟以上 | 常有 10–30 分钟限制 |
| 适合谁 | 短视频文案、隐私敏感内容 | 长会议、课程、播客 | 偶尔用、不介意上传 |
一句话总结:短音频、要隐私 → 本地;长音频、要速度和准确率 → 云端 BYOK。
本地识别调用的是你电脑的 CPU,速度与设备性能相关。下表是我们在普通笔记本(Chrome、单线程 WASM、whisper-tiny 模型)上的实测结果,可作为等待预期:
| 音频时长 | 预计耗时 | 建议 |
|---|---|---|
| 15 秒 | 约 2 分钟 | 体验最好 |
| 30 秒 | 约 3 分钟 | 推荐 |
| 1 分钟 | 约 5 分钟 | 可接受 |
| 2 分钟 | 约 10 分钟 | 已达上限,建议先切片 |
| 5 分钟以上 | 20 分钟以上 | 不建议,改用云端引擎 |
换算成经验公式:总耗时 ≈ 45 秒准备时间 + 音频时长 × 4 到 5 倍。首次使用还要额外下载 ffmpeg(约 30MB)与识别模型(40–250MB),会比表中再慢一些,之后浏览器会缓存,第二次起明显加快。识别过程中进度条会显示「已用时 / 预计还需」,不会真的卡住。
| 模型 | 下载体积 | 速度 | 中文准确率 | 适合 |
|---|---|---|---|---|
| whisper-tiny | 约 40MB | 最快 | 一般,长句易漏字 | 短视频快速出稿 |
| whisper-base | 约 80MB | 中等 | 较好 | 日常首选 |
| whisper-small | 约 250MB | 较慢 | 好 | 正式内容、要求高准确率 |
| 云端 SenseVoiceSmall | 无需下载 | 秒级 | 中文表现最好 | 长音频、带口音 |
把抖音、小红书的口播转成文字,做拆解、二创或文案参考,不用反复听写。
内部会议、访谈录音不出本机,整理纪要和待办更省事。
把网课、讲座音频转成可搜索的文字,复习时直接找关键词。
生成 show notes、公众号文章或逐字稿,方便二次分发。
导出 SRT 直接导入剪映、Premiere、PotPlayer,省去手动打轴。
把竞品视频的口播转成文字,分析其开头钩子与结构套路。
视频格式:MP4、MOV、WebM、MKV、AVI。音频格式:MP3、WAV、M4A、AAC、FLAC、OGG。只要能正常播放的格式基本都可以,工具会先用 ffmpeg 抽出音轨(自动转 16kHz 单声道)再送进识别。
大小与时长:建议 200MB 以内、时长 1 分钟以内。超长文件请先用「视频无损切片」切段,或改用云端 BYOK 引擎。导出格式支持 TXT 文字稿与 SRT 字幕,勾选「保留时间戳」即可生成字幕时间轴。
BYOK 语音 API 实时转写字幕
把 SRT 字幕烧录进视频
裁剪视频片段不重编码
即梦/可灵/Runway 提示词
钩子+分镜+标题
MP4/WebM/MOV 压缩
本地引擎不会。音频提取与 Whisper 识别全部在你的浏览器内完成,文件不上传,本站不承担任何存储或算力。只有当你主动选择「云端 BYOK」引擎时,音频才会直接发送到你填写的 API 服务商,不经过本站服务器。
纯前端工具受浏览器同源策略(CORS)限制,无法直接抓取平台视频流,所以本工具采用上传文件的方式。请先用对应 App 的保存/下载功能把视频存成本地文件再上传。这样也不依赖平台接口,长期更稳定。
首次使用需要下载 ffmpeg 组件(约 30MB)和识别模型(tiny 约 40MB、base 约 80MB、small 约 250MB)。下载后浏览器会缓存,第二次起明显加快。模型越大越准,但越慢、越占内存,普通设备建议 base。
Whisper base/small 对清晰普通话可用,但方言、嘈杂环境、多人重叠说话时会下降。要更高的中文准确率,建议切换「云端 BYOK」引擎(如硅基流动 SenseVoiceSmall,中文表现好且价格低)。
本地引擎完全免费,不注册、不登录、不限使用次数、不加水印。限制只来自硬件——音频越长浏览器算得越久,所以建议单个文件控制在 1 分钟以内。云端 BYOK 引擎的费用由你自行向服务商支付,按分钟计,与本站无关。
可以。iOS Safari 16+、Android Chrome 都支持。但手机 CPU 比电脑弱,1 分钟音频可能要算十几分钟,大模型还容易占满内存导致页面被系统回收。手机上建议选 whisper-tiny、时长 30 秒以内,或直接用云端引擎。
先换更大的模型再试(tiny → base → small),准确率提升明显;其次确认音频本身清晰、没有多人抢话。结果框可以直接编辑,改完再复制或导出,不必追求一次完美。专业名词多或带口音的,建议直接用云端 SenseVoiceSmall。
能。Whisper 是多语言模型,在「语音语言」里选英文、日文、韩文即可,也可以选「自动检测」让它自己判断。粤语、四川话等方言效果因口音差异较大,建议多试几个模型或用云端引擎。
剪映的字幕识别免费且快,但要上传到它的服务器,导出字幕有会员限制;讯飞听见准确率高,按分钟收费。本工具的特点是文件不上传、不限次数,代价是速度慢。简单说:在意隐私和免费用这里,追求速度和准确率用云端服务,只是给视频加字幕剪映更顺手。
因为本地识别速度约为音频时长的 4–5 倍:1 分钟音频要等约 5 分钟,2 分钟就要 10 分钟,再长体验很差,还可能因浏览器内存不足失败。更长的内容有两条路——先用「视频无损切片」切成 1 分钟以内的片段分批识别,或切换到「云端 BYOK」引擎一次处理。
SRT 是通用字幕格式,可直接导入剪映、Premiere、PotPlayer 等软件,用于制作视频字幕或二次剪辑。勾选「保留时间戳」后即可导出,格式为标准的序号 + 时间轴 + 文本。