视频转文字在线免费

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。

🔒 文件不出本机💸 完全免费🚫 无水印 · 不限次数⚡ 无需注册

🔒 本地识别(Whisper)免费 · 隐私

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。

⚡ 云端识别(BYOK)更快 · 更准

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。

🎬
点击选择 或 拖拽音视频文件到这里
支持 MP4 / MOV / WebM / MP3 / WAV / M4A 等,建议 200MB 以内、时长 1 分钟以内
📄
⏱ 本地识别耗时约为音频时长的 5 倍(另加约 45 秒准备时间):
30 秒 ≈ 3 分钟 · 1 分钟 ≈ 5 分钟 · 2 分钟 ≈ 10 分钟
建议单个文件 1 分钟以内;超过 2 分钟请先用 视频无损切片 分段,否则等待时间会很长。云端引擎(自带 API Key)不受此限制。
⏳ 这个文件偏长,本地识别要等挺久
预计需要约 10 分钟。选一个更合适的方案:
✂️ 先切一段再转
提示:本地引擎首次使用需下载识别模型(约 40–250MB)与 ffmpeg 组件(约 30MB),请耐心等待;之后浏览器会缓存,下次更快。

📝 识别结果(可直接编辑)

需要处理长音频或批量文件?
批量转写脚本(几百个文件一次跑完)· 带后台的转写系统 · 内网私有化部署(文件不出公司)
聊聊你的场景 → 微信:lurenjiajie2016
链接怎么变成文件? 本工具是纯前端、不解析平台链接。若你手上只有抖音/小红书等分享链接,先用对应 App 的「保存本地 / 下载」把视频存到相册或电脑(或用合法的去水印下载方式取得文件),再把文件上传到这里转文字。首次加载模型较大,建议在 Wi-Fi 下使用。

🛠 使用方法

  1. 选择识别引擎:本地 Whisper(免费隐私)或云端 BYOK(更快更准)。
  2. 选择或拖拽一个视频 / 音频文件,本地引擎可按需选择模型与语言。
  3. 点击「开始转文字」。首次会加载 ffmpeg 与识别模型,进度条会显示当前阶段。
  4. 识别完成后,结果可直接编辑,一键复制或导出 TXT 文字稿 / SRT 字幕。

🎯 什么是视频转文字?它到底做了什么

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。

⚖️ 本地识别、云端识别、普通在线转写,怎么选

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。

⏱ 多久能出结果(本站实测数据)

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。

🧠 三个模型怎么选(准确率与速度的取舍)

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

💡 这些场景用得上

短视频文案提取

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。

会议录音转纪要

内部会议、访谈录音不出本机,整理纪要和待办更省事。

课程讲座笔记

把网课、讲座音频转成可搜索的文字,复习时直接找关键词。

播客转文字稿

生成 show notes、公众号文章或逐字稿,方便二次分发。

视频字幕制作

导出 SRT 直接导入剪映、Premiere、PotPlayer,省去手动打轴。

同行内容拆解

把竞品视频的口播转成文字,分析其开头钩子与结构套路。

📁 支持哪些格式、有什么限制

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。

🛠 相关工具

实时同传字幕

BYOK 语音 API 实时转写字幕

字幕压制

把 SRT 字幕烧录进视频

视频无损切片

裁剪视频片段不重编码

AI视频提示词生成器

即梦/可灵/Runway 提示词

短视频脚本生成器

钩子+分镜+标题

视频压缩转格式

MP4/WebM/MOV 压缩

❓ 常见问题

视频/音频会上传到服务器吗?

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。

能不能直接贴抖音/小红书链接转文字?

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。

本地识别为什么第一次很慢?

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。

中文识别准确率怎么样?

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)。

完全免费吗?有没有次数或时长限制?

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。

手机上能用吗?

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。

识别出来有错别字、漏句怎么办?

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。

能识别英文、日文或者方言吗?

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。

和剪映、讯飞听见这类工具比有什么区别?

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。

为什么建议 1 分钟以内?更长的怎么办?

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 字幕有什么用?

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。