音频转文字：录音和视频转写成文字与字幕
用 Whisper 语音识别模型在浏览器中把录音或视频里的语音转写成文字，并保存为文本或 SRT、VTT 字幕。文件不会上传。
将音频或视频文件拖到这里，或点击选择
MP3、M4A、WAV、OGG、OPUS、FLAC、WebM 和 MP4 在大多数浏览器中可用。其他格式只要浏览器能播放即可使用。
这段录音超过 1 小时。转写可能需要与录音时长相当或更长的时间，非常长的文件可能导致浏览器内存不足。遇到这种情况，请把文件分成几段。
浏览器显示当前使用移动数据或省流量模式，建议连接 Wi-Fi 后再下载。
先选择语言和模型，再添加文件。
说明
- 录音在浏览器中解码和转写，不会上传到 LeedyBox 或其他任何地方；工具运行期间只能连接 leedybox.com。
- 首次使用时，浏览器会从 leedybox.com 下载语音识别引擎和所选模型：base 约 90 MB，small 约 250 MB，large-v3-turbo 约 750 MB。之后它们保存在此浏览器的存储空间中，下次访问不会再次下载。可以用模型选项下方的“删除已保存的模型”删除，在浏览器中清除本网站的数据也会删除。
- base 和 small 在处理器上运行，large-v3-turbo 在图形处理器上运行，每次处理 30 秒，依次进行。在我们测试的电脑上，base 约需录音时长的一半，small 约 1.5 倍，large-v3-turbo 约三分之一；手机和旧电脑更慢。完成前请不要关闭这个标签页。
- 一个人在麦克风附近清楚说话的录音效果最好。背景音乐、噪音、多人同时说话、口音和专业词汇容易出错，人名也常常写错。在安静或嘈杂的片段，Whisper 还可能重复同一句话，或写出没有说过的内容。
- 整个文件使用同一种语言转写。中间出现其他语言时，模型会尽量用那种语言写出，或者翻译后写出。不区分说话人。
- 字幕按照 Whisper 划分的片段生成，通常一句或一个短语一段。发布前请在播放器中检查时间，较长的片段可能需要拆开以便阅读。
- 很长的录音需要大量内存：1 小时的音频解码后约 220 MB，再加上模型。如果浏览器停止了页面，请把文件分成更短的几段。
遇到问题？ 如果文件打不开、模型无法加载、页面停止响应，或转写结果比预期差很多，请发邮件告诉我们。请写明所选的模型和语言、文件格式和时长，以及设备和浏览器。请不要发送录音文件。
如果本页的文字读起来不自然，也欢迎告诉我们。
使用方法
- 选择录音中说的语言，或保留“自动检测”。
- 选择模型：base 最快，small 更准确；浏览器支持 WebGPU 时会显示 large-v3-turbo，它最准确。
- 把音频或视频文件拖到框中或点击选择，然后点击“开始转写”。首次使用时会从 leedybox.com 下载引擎和模型。
- 录音的每一部分转写完成后，文字就会显示出来。可以随时停止，已转写的文字会保留。
- 对照录音检查转写结果，然后复制，或下载为 .txt 文件，或下载为视频用的 .srt、.vtt 字幕。
常见问题
录音会上传到服务器吗？
不会。文件在浏览器中解码和转写。LeedyBox 只向浏览器提供语音识别引擎和模型，音频和转写结果不会发送到任何地方；运行模型的部分也被限制，无法连接其他网站。
支持哪些语言？
支持多语言 Whisper 模型的 99 种语言，包括中文、英语、日语、韩语、西班牙语、德语、法语、葡萄牙语、俄语、越南语、印尼语、意大利语、泰语和土耳其语。不同语言的准确度差别很大，训练数据多的常用语言效果最好。
应该选哪个模型？
如果电脑浏览器中出现了 large-v3-turbo，就用它：测试中 base 和 small 写错的地方它一处也没错，而且因为在图形处理器上运行，速度也最快；首次需下载约 750 MB。否则先用 base（约 90 MB，在较新的电脑上约用录音时长的一半），错误太多时再换 small（约 250 MB，约慢 3 倍）。手机上请用 base。
录音长度有限制吗？
没有固定上限，但时长越长，处理时间越久，而且全部在你的设备上完成。在电脑上，1 小时以内的录音一般没有问题。更长的文件可能需要几个小时，也可能内存不足，分段处理更稳妥。
SRT 和 VTT 有什么区别？
两者都是包含字幕文字和显示时间的字幕文件。SRT（SubRip）是视频剪辑软件和播放器最普遍支持的格式。VTT（WebVTT）是 W3C 为网页和 HTML5 视频制定的字幕格式。请选择你的播放器或平台要求的格式。
为什么有些词错了，或出现没说过的话？
Whisper 根据声音推测最可能的文字。噪音、音乐、重叠的人声、口音、人名和专业词汇容易出错；在安静或非常嘈杂的片段，它有时会重复同一句话，或生成没有说过的内容。自己选择语言、使用 small 模型、靠近麦克风录音都会有所改善。
为什么我的浏览器里没有 large-v3-turbo？
这个模型通过 WebGPU 在图形处理器上运行，WebGPU 是让网页使用 GPU 计算的浏览器功能。Windows、macOS、ChromeOS 上较新版本的 Chrome 和 Edge，以及较新 Mac 上的 Safari 都支持；部分浏览器和许多手机不支持。仅靠处理器运行这个模型要花录音时长好几倍的时间，所以只在有 WebGPU 时才显示。