音频转文字适合做什么？
音频转文字适合整理会议、采访、课程、语音备忘和播客。工具使用 Transformers.js 在浏览器中运行 Whisper 语音识别模型，并可将识别结果导出为 TXT 文稿或带时间信息的 SRT 字幕。
音频内容不会上传到 The Browser AI 服务器。首次转写需要从 CDN 下载模型文件，后续可由浏览器缓存复用。识别速度和准确率会受到录音清晰度、背景噪声、语言、音频长度以及设备算力影响；较长文件会占用更多内存并需要更长时间。
支持格式：MP3, WAV, M4A, WebM；单个文件限制：浏览器可用内存范围内。
如何使用音频转文字
步骤 1
上传或录制音频
选择常见音频、视频文件，或允许麦克风权限后直接录制。
步骤 2
运行本地转写
选择识别语言并开始转写；首次使用会下载并缓存 Whisper 模型。
步骤 3
校对并导出
检查识别文本和时间轴，根据用途导出 TXT 或 SRT。
常见问题
音频转文字需要上传录音吗？
不需要。音频解码和 Whisper 推理均在浏览器本地运行；网络连接主要用于首次下载语音模型和相关运行文件。
为什么第一次转写比较慢？
浏览器首次使用时需要下载模型，随后还要根据设备性能完成本地推理。模型缓存可减少之后重复使用时的下载等待。
怎样提高语音识别准确率？
优先使用人声清晰、背景噪声较少且音量稳定的录音，并选择正确语言。多人重叠说话、强噪声和专业术语可能增加识别错误。
技术与资料来源
- Transformers.js — 在浏览器中运行机器学习模型的官方文档。
- Whisper — 本地语音识别所使用模型架构的开源项目。