本机运行 · 文件不上传服务器

录音转文字

把音频拖进来，出一份带时间戳、能点着跳播的文字稿。Whisper 模型就跑在这个标签页里——录音不出你的电脑，不用注册、不排队、不按分钟计量。

转写操作区

把音频拖到页面任意位置

也可以按 ⌘V 粘贴、从磁盘里选，或者直接按录音键录一段。

mp3 · m4a · wav · ogg · flac · webm · mp4（取音轨）——单个文件 100 MB、30 分钟以内

手边没有文件？试试：

正在看这台机器支持什么…

三步做完

  1. 选一段录音

    拖进来、粘贴、从磁盘里选，或者按录音键现录。文件只被这个页面读取，没有「上传中」这一步要等。

  2. 模型下载一次

    首次使用会把大约 278 MB 的 Whisper 权重存进浏览器缓存。之后每次打开都在一秒内就绪，断网照用。

  3. 在你自己的机器上算

    音频按 30 秒切块，逐块交给显卡或 CPU 转写，每跑完一块，那一段文字就立刻出现在下面。

具体能做到什么

单个文件30 分钟、100 MB 以内，一次处理一个。
支持的格式浏览器能解码的都行：mp3、m4a（微信语音、iPhone 语音备忘录）、wav、ogg、flac、webm、mp4（只取音轨）。
模型Whisper base，7400 万参数，认得 99 种语言，权重与 OpenAI 官方发布的一致。
首次下载量WebGPU 路径 278 MB，CPU 路径 197 MB，之后走缓存。
速度在 Apple M2 上，30 秒片段 WebGPU 约 1.6 秒、CPU 单线程约 13 秒；10 分钟的音频分别在 40 秒上下和不到 4 分钟。
输出可点击跳播的分段文字，外加 .txt / .srt / .vtt 下载和一键复制。

上面的数字都是在这个页面上用示例音频实测出来的，不是抄模型卡。中文长会议、要分清谁在说话，网页版做不了——那是 Mac 版的活。

模型与许可证

页面跑的是 openai/whisper-base，由 onnx-community 转成 ONNX 格式，经 Transformers.js 在 ONNX Runtime Web 上执行。权重以 Apache-2.0 发布，允许商用；OpenAI 的 Whisper 源代码则是 MIT。两份许可证原文，连同 Transformers.js 与 ONNX Runtime 的许可证，都完整收录在下面这个文件里。

Hugging Face 上的模型仓库 许可证全文（LICENSE-model.txt）

常见问题

录音真的不会传出去吗？怎么验证？

不会。文件由这个标签页里的 JavaScript 直接读取，用浏览器自带的解码器解成波形，再交给本机的 Web Worker 做推理。整个页面只从网络取两样东西：页面本身和模型权重。想自己验证很容易：打开开发者工具的「网络」面板跑一次，或者等模型缓存好以后直接断网，转写照样能跑完。

中文转得准吗？

一般般，要有心理准备。whisper-base 只有 7400 万参数，中文是它的弱项：普通话清晰、单人说话的录音大意不会错，但人名、专有名词、数字经常写错，同音字尤其容易出问题——本页那段中文示例里，「半双工第四十七期」就被听成了「半双公帝47期」。方言、多人抢话、背景噪音大的会议录音基本指望不上。要准的话，用 Pro 档的更大模型，或者用 Mac 版。

微信语音、iPhone 语音备忘录能直接用吗？

能。微信导出的多是 m4a/aac，语音备忘录是 m4a，浏览器都能解码，拖进来就行。少数用 amr、silk 这类老编码的文件浏览器解不了，页面会直接告诉你「解码失败」，用任意转换工具转成 mp3 或 wav 再拖进来即可。视频文件（mp4/webm）也可以，只会读里面的音轨。

为什么第一次要下载将近 300 MB？

因为模型是在你电脑上跑的，不是在服务器上，浏览器必须先拿到真正的权重文件：78 MB 的编码器加 200 MB 的解码器。它们会存进浏览器的 Cache Storage，第二次打开一秒内就绪，断网也能用。CPU 路径用的是 4-bit 量化的解码器，只要 197 MB。想删掉的话，清除本站数据即可。

我的电脑没有独立显卡，能跑吗？要多久？

能。没有可用的 WebGPU 时会自动退到 WebAssembly，在单个 CPU 线程上跑——Firefox、Safari 以及显卡驱动被 WebGPU 拒绝的机器走的都是这条路。代价是速度：10 分钟的录音要将近 4 分钟，而不是 40 秒。同一台机器上换 Chrome 或 Edge，通常就能走上 WebGPU。

能不能分出谁在说话，或者转更长的会议？

网页版做不到。Whisper 本身不做说话人分离，需要另外一套模型；30 分钟以上的录音也已经超出一个浏览器标签页该承担的内存范围，所以免费档卡在 30 分钟。要做几小时的会议记录、要区分 A 说了什么 B 说了什么，那是 Mac 版的场景。