免费在线录音转文字 — 把一段录音转成文字
把录音变成文字：约 90 种语言、带时间戳，全程在浏览器里完成，不上传。
拖入音频或视频文件，或点击选择
MP4, MOV, WebM, MP3, WAV 等 · 最长 10 分钟 · 首次要下载模型，之后大约和音频一样长
本地处理，文件不会离开这个标签页
第一次运行会下载一次模型（Tiny ≈ 40 MB，Base ≈ 80 MB），浏览器会缓存它——之后离线也能转写。
本地处理，文件不会离开这个标签页
把录音拖进来，把里面的文字拿出来：语音备忘、访谈、课程、播客——支持约 90 种语言，不确定是哪种就让它自动检测。一个 Whisper AI 模型在你的浏览器标签页里、在你自己的设备上运行，音频不会被上传；转写结果可以直接编辑，也能带时间戳导出成 SRT 字幕。
真正用得上的转写
- 把课程、会议或访谈变成能搜索、能引用的文字笔记。
- 给视频或播客导出带时间戳的 SRT，直接当字幕用。
- 把语音备忘里的内容变成文字，录音不必发到任何地方。
录音转文字怎么用
-
拖入文件
添加 MP3、WAV、M4A、视频文件或其他录音。解码在你的设备上完成，不会被上传。
-
选语言和模型
大多数文件用自动检测就行。长录音或低配置设备选 Tiny 更快，追求准确选 Base。
-
转写并下载
第一次运行会下载一次模型并缓存。转写结果可以直接编辑，然后保存为 TXT 或 SRT。
录音转文字的常见问题
我的音频会被上传吗?
不会。文件在你的浏览器里解码，由本地运行的 Whisper 模型（通过 WebAssembly 或 WebGPU）完成转写。唯一的网络请求是从公共 CDN 一次性下载模型——之后转写本身离线也能用。你的音频不会到达任何服务器。
转写准确度怎么样?
用的是 OpenAI 的 Whisper 模型，在清晰的语音上接近人工水平。背景噪音大、口音重、多人抢话或音乐声大会让准确度下降。难处理的音频用 Base 比 Tiny 明显更好——无论如何，结果都在可编辑的文本框里，下载前可以自己修正人名和标点。
有什么限制?
一次处理一个文件，单次最长 10 分钟——更长的录音先裁剪（音频剪辑同样是本地私密处理）。它不区分说话人：对话会输出成一段没有署名的文字。这个页面处理文件，不支持实时麦克风。
和语音录音机有什么区别?
语音录音机把麦克风的声音录成音频文件；这个页面读取已有的文件，把内容写成文字。两者是好搭档：在那边录音，到这里转写。都在你的浏览器里运行。
支持哪些语言?
Whisper 训练覆盖约 90 种语言，从英语、中文、西班牙语、阿拉伯语到越南语、乌克兰语和斯瓦希里语。不确定就用自动检测，模型会从音频里判断；固定指定语言通常还能再准一点。
手机上能用吗?
可以——新版 Chrome、Edge、Firefox 和 Safari，桌面和手机都行。支持 WebGPU 的浏览器（Chrome、Edge）转写快得多；其他浏览器走 CPU，长文件建议选 Tiny，10 分钟的音频可能要等几分钟。首次下载的模型 Tiny 也更小。