音频转文字与制作字幕

手动整理会议、讲座或采访录音，往往要花录音时长好几倍的时间。语音识别模型能完成大部分工作，但结果仍需核对。本文介绍模型如何读取录音、如何选择模型、怎样减少错误，以及如何把转写结果做成字幕文件。

语音识别如何读取录音

音频转文字工具使用 Whisper，这是 OpenAI 于 2022 年以 MIT 许可证发布的语音识别模型。根据其模型卡，Whisper 用从互联网收集的 68 万小时音频及其文字稿训练，其中约三分之二是英语。

Whisper 并不是一次听完整个文件。它每次读取 30 秒音频，先转换成频谱图（表示每一时刻哪些频率声音较大的图），再为这一段写出最可能的文字，逐个词片输出，并附带时间戳。因此，长录音会被切成多个片段。本工具会在每段末尾附近最长的停顿处切开，避免把句子截断，并跳过没有声音的片段。

在写出文字之前，模型还能判断说的是哪种语言，因为它最先预测的就是语言标记。如果把语言设为“自动检测”，工具会根据开始说话后的前 30 秒做出判断，然后整个文件都按这一种语言转写。

选择哪个模型

Whisper 有多种规格。本工具提供三种：base 和 small 在任何较新的浏览器中都可以用处理器运行，large-v3-turbo 则在浏览器支持 WebGPU 时用图形处理器运行。

模型	参数量	首次下载	处理 1 分钟语音的时间*	适合
Whisper base	7400 万	约 90 MB	约 30 秒	清晰的录音、手机
Whisper small	2.44 亿	约 250 MB	约 1 分 35 秒	没有 WebGPU 时的中文等非英语语言
Whisper large-v3-turbo	8.09 亿	约 750 MB	约 20 秒	支持 WebGPU 的电脑：最准确

* 在一台台式电脑上用浏览器测得：base 和 small 使用 8 位版本在处理器上运行，large-v3-turbo 使用 4 位版本在显卡上运行。较慢的设备需要更长时间。每个模型只需下载一次，之后保存在浏览器中，直到你在工具中删除。

英语以外的语言差别最大。我们用语音合成朗读的 1 分钟韩语录音做了测试：base 把“회의”（会议）写成了“후회”（后悔），把“월요일”（星期一）写成了“머료일”；small 这两处写对了，却把“문의”（咨询）写成了“무늬”（花纹）；large-v3-turbo 一处也没错。浏览器中出现 large-v3-turbo 时就用它；否则先用 base，错误太多时再换 small。

large-v3-turbo 是 Whisper 最大的模型 large-v3 为提高速度而优化的版本。它需要图形处理器：只用处理器时，用时约为录音时长的 13 倍，所以工具只在有 WebGPU 时才显示它，例如电脑上较新版本的 Chrome、Edge 以及较新 Mac 上的 Safari。它占用的内存也比 base 多得多，很多手机承受不了。

怎样转写得更准确

靠近麦克风录音。距离、回声和背景噪音对准确度的影响最大。
避免音乐和多人同时说话。Whisper 只写一条连续的文字，不区分说话人。
自己选择语言。录音以音乐、静音或其他语言的问候开头时尤其需要。
人名和术语要准备修改。模型根据读音猜测写法，而且偏向常见的词。
留意凭空生成的文字。模型卡提醒，Whisper 可能写出没有说过的内容，或者重复同一句话，多发生在安静或嘈杂的片段，这些地方请对照录音阅读。
很长的文件要分段。1 小时的音频解码后约占 220 MB 内存，而且全部处理都在你的设备上进行。

字幕文件：SRT 和 VTT

字幕文件是纯文本文件，按顺序列出一条条字幕（cue），每条包含开始时间、结束时间和要显示的文字。两种常用格式看起来几乎一样。

SubRip（.srt）给每条字幕编号，毫秒前面用逗号：

1
00:00:00,000 --> 00:00:02,600
下面总结一下今天会议的要点。

2
00:00:02,600 --> 00:00:05,900
第一，下个月的发布计划不变。

WebVTT（.vtt）是 W3C 为网页字幕制定的格式，HTML 的 <track> 元素使用它。文件以 WEBVTT 开头，时间用句点，编号可以省略：

WEBVTT

00:00:00.000 --> 00:00:02.600
下面总结一下今天会议的要点。

00:00:02.600 --> 00:00:05.900
第一，下个月的发布计划不变。

WebVTT 字幕文字中不能出现 -->，& 和 < 要写成 & 和 <，本工具会自动处理。SRT 没有官方规范，但视频剪辑软件和播放器都能读取上面这种写法。请选择你的播放器或平台要求的格式。

把字幕整理得易读

Whisper 的片段按模型自己判断的句子划分，有些会比较长。发布字幕前，请配合视频播放一遍，把显示太久或超过两行的片段拆开，并检查字幕是否与说话同步出现。大多数字幕编辑软件都能打开 SRT 文件，平移或拆分字幕。

本地转写与云端转写

在线转写服务通常会把录音上传到自己的服务器，用大模型快速处理。浏览器工具则让录音留在你的设备上：音频在页面中解码和转写，下载的只有模型文件。代价是速度取决于你的处理器，模型大小也受浏览器能力的限制。

无论由谁处理，他人的录音都需要谨慎对待。Whisper 模型卡提醒，不要用它转写未经本人同意录下的谈话。录音或转写对话之前，请先征得对方同意。

常见问题

Whisper 能区分说话人吗？

不能。它只写一条连续的文字。区分说话人（说话人分离）需要另外的模型，请手动加上名字。

为什么会出现没人说过的话？

Whisper 预测最可能的文字，在静音、音乐或噪音中，有时会接着写出常见的说法（比如结束语）。跳过无声片段可以减少这种情况，但仍需对照录音阅读。

能把录音翻译成英语吗？

Whisper 模型有这个功能，但本工具只做转写，按所说的语言写出文字。

视频平台需要哪种格式？

大多数视频剪辑软件和平台接受 SRT，网页播放器使用 VTT。拿不准时两种都下载，内容是一样的。

资料来源

来源：OpenAI, Whisper (README) · 核对日期：2026年10月13日

来源：OpenAI, Model Card: Whisper · 核对日期：2026年10月13日

来源：W3C, WebVTT: The Web Video Text Tracks Format (Candidate Recommendation Draft, 20 May 2026) · 核对日期：2026年10月13日