工具简介
音频转文字是一款注重隐私的语音识别工具：AI 模型直接在浏览器本地运行，MP3、WAV、M4A、FLAC、OGG 等音频文件不会上传到任何服务器，会议录音、采访素材等敏感内容也能放心识别。支持中文普通话、英语和自动检测三种语言模式，识别结果可以导出为纯文本 TXT，也能导出带时间轴的 SRT / VTT 字幕文件，直接用于视频字幕制作。
单个文件最大支持 10MB（约 10 分钟音频），适合会议纪要、课堂录音、播客文稿、字幕初稿等场景。
第一步：上传音频文件
点击上传区域选择音频文件，或直接把文件拖拽到网页中。上传后下方会显示已选文件名，「开始转文字」按钮由灰变绿。
支持格式：MP3 / WAV / M4A / FLAC / OGG，最大 10MB（约 10 分钟）。如果音频更长，建议先用音频工具裁剪分段后再识别。
第二步：设置识别参数
- 识别语言：中文（普通话/简体）、英语、自动检测三种可选。中文音频选中文准确率最高，识别结果会自动转为简体；不确定语言时选自动检测；
- 输出格式：
- 纯文本 TXT：只要文字稿，适合会议纪要、文稿整理；
- SRT 字幕：带时间轴， Premiere、剪映等剪辑软件可直接导入；
- VTT 字幕：网页播放器（HTML5 video）标准字幕格式。
参数说明
| 参数 | 类型 | 可选值 | 说明 |
|---|---|---|---|
| 文件上传 | 文件选择 | MP3/WAV/M4A/FLAC/OGG | 最大 10MB，本地处理 |
| 识别语言 | 下拉 | 中文（普通话/简体）/ 英语 / 自动检测 | 中文结果自动转简体 |
| 输出格式 | 下拉 | 纯文本 TXT / SRT 字幕 / VTT 字幕 | 决定下载文件类型 |
| 开始转文字 | 按钮 | — | 上传文件后激活 |
第三步：查看结果并下载
点击「开始转文字」后，页面会显示模型加载和识别进度（首次使用需要加载 AI 模型，稍等片刻）。识别完成后，右侧「识别结果」区域显示完整文字稿，可以一键复制，或按所选格式下载文件。
选择 SRT/VTT 格式时，文字稿会按语句自动切分时间轴，导入剪辑软件即为可用字幕。
常见问题
Q：识别要联网吗？安全吗？
A：首次使用需联网下载 AI 模型到浏览器缓存，之后识别过程全部在本地运行，音频不会上传到服务器。
Q：为什么限制 10MB？
A：识别在浏览器里运行，受内存和算力限制，10MB（约 10 分钟）是稳定运行的经验上限。
Q：识别准确率怎么样？
A：清晰普通话录音准确率较高；背景噪音大、多人抢话或方言较重时准确率会下降，建议先用「音频降噪」处理。
Q：能识别视频里的声音吗？
A：可以先用「视频音频提取」把视频转成 MP3，再来这里转文字。
总结与相关工具
音频转文字三步完成：上传音频 → 选语言和格式 → 识别下载。搭配以下工具可以覆盖更多语音处理场景：