omikuji 工具箱 图像与视频

音频·视频转文字

用 AI（Whisper）把录音和视频里的语音转成文字。全部在这台设备上处理，音频不会离开你的设备。

功能

  • 用 AI（Whisper）把会议录音、采访、视频里的语音转成文字，音频不上传
  • 支持中文、英文和自动识别语言；可选模型大小（速度与准确度），并显示下载量、速度和准确度参考
  • 导出带时间戳的文本、纯文本或 SRT/VTT 字幕；点击时间可从该位置播放
  • 长音频在停顿处自动分段处理，显示进度和剩余时间；支持麦克风录音

适用场景

内部会议记录

不把录音交给第三方服务，也能整理成文字。

采访、访谈

带时间戳导出，回听查找更省时。

给视频配字幕

导出 SRT/VTT 字幕，再导入视频剪辑软件。

网课、讲座笔记

从录音整理出要点的初稿。

隐私说明

音频和视频只在浏览器中处理，不会上传到任何地方。首次使用时会下载 AI 模型（Whisper，41～586MB）和推理引擎（从本站下载；本站无法提供时改从 huggingface.co 和 cdn.jsdelivr.net 下载），下载请求中不包含你的音频。模型保存在浏览器中，之后不再重复下载。麦克风只在本页面使用，录音不会被保存。

常见问题

音频会被发送到别的地方吗？

不会。转文字用的 AI（transformers.js 和 Whisper）在浏览器中运行。联网只是为了首次下载模型和推理引擎。内部会议和私人录音也可以放心使用。

应该选哪个模型？

中文推荐“大（small）”。“小（tiny）”速度快，但错字较多，适合快速确认内容。设备较旧或内存较少时，请试试“中（base）”。

长录音也能处理吗？

最长支持 3 小时，会在停顿处切成不到 30 秒的片段依次处理。用 CPU 处理时，耗时可能与音频时长相当甚至更长。处理过程中请保持标签页打开。

能区分说话人吗？

不能，暂不支持区分说话人。可以带时间戳导出后，再按需要补上姓名。

识别结果里出现了繁体字怎么办？

Whisper 识别中文时，有时会输出繁体字。可以在“导出内容”里直接修改，或者用繁简转换工具转换后再使用。

相关工具

PDF合并 PDF拆分·提取页面 PDF压缩·页面整理 PDF转图片 图片转PDF 音频格式转换 图片格式转换 WebP 转换器 SVG转PNG 视频格式转换 Markdown 预览

添加音频或视频

把音频或视频文件拖到这里，或点击选择

支持 MP3、M4A、WAV、OGG、WebM、MP4、MOV 等（浏览器能播放的格式）

设置

模型大小
模型 下载量 速度 准确度

模型只在首次使用时下载（之后直接使用保存在浏览器中的模型）。实测：在测试用电脑（CPU）上处理一段 27 秒的日语会议录音，tiny 用时 5秒、base 用时 11秒、small 用时 20秒（模型已下载的情况下）。

说话的语言

使用方法

  1. 拖入音频或视频文件，或点击“用麦克风录音”。
  2. 选择模型大小和说话的语言（中文推荐“大（small）”）。
  3. 点击“开始转文字”。首次使用需要下载模型。处理过程中请不要关闭标签页。
  4. 确认结果后，保存为带时间戳的文本、纯文本或 SRT/VTT 字幕。

隐私说明

音频和视频只在浏览器中处理，不会上传到任何地方。首次使用时会下载 AI 模型（Whisper，41～586MB）和推理引擎（从本站下载；本站无法提供时改从 huggingface.co 和 cdn.jsdelivr.net 下载），下载请求中不包含你的音频。模型保存在浏览器中，之后不再重复下载。麦克风只在本页面使用，录音不会被保存。