免費音訊轉文字

工作原理

轉錄直接在你的瀏覽器中執行 Whisper 語音識別模型。音訊在你自己的裝置上解碼、重取樣並輸入模型——錄音絕不會上傳。

1. 1
   你的檔案被解碼為 16 kHz 單聲道

   Whisper 只接受一種格式：每秒 16,000 個取樣的單聲道音訊。瀏覽器音訊引擎會自行完成轉換，對於大多數音樂和語音檔案來說根本無需額外下載。不常見的影片容器會回退到內建的 ffmpeg。
2. 2
   模型只下載一次，且只在你要求時下載

   語音模型約 81 MB（更快但準確度較低的選項為 45 MB）。只有在你按下“載入”後才會取得，然後快取起來，以後存取可立即啟動。你可以隨時再將其刪除。
3. 3
   音訊以 30 秒為視窗轉錄

   Whisper 每次讀取 30 秒，兩側各有 5 秒重疊，因此跨越邊界的單字不會丟失。這在後台執行緒中執行，所以頁面保持回應，“取消”也始終有效。
4. 4
   文字變為易讀的字幕

   原始輸出會被拆分並重新定時，使每行不超過 42 個字元，且顯示速度不超過每秒 21 個字元——與我們的字幕編輯器檢查的限制相同。時間軸絕不會為了滿足這些目標而被拉伸，因為那會歪曲單字實際說出的時間。

相關工具