音视频转文字

这个工具能做什么

把音频或视频里的人声识别成文字，可以输出纯文字或带时间码的逐句文本，并导出 Word 与纯文本两种格式。识别使用内置的离线语音模型，首次使用需要先解压加载模型，因此第一次等待时间比后续长；音视频不会上传到服务器。

如何使用

1. 添加一个或多个音视频文件
2. 选择语言：说中文的内容选「中文」最准
3. 选择输出内容：只要文字，或文字加时间码
4. 勾选导出格式（Word / 纯文本）
5. 点「开始识别」，完成后下载结果

适合哪些场景

• 把访谈录音整理成文字稿
• 给视频生成带时间码的字幕文本
• 把会议录音转成可以检索的笔记

使用限制

• 首次加载离线模型需要一定时间，之后再次使用会明显更快。
• 长音频会按静音切段逐段识别，耗时随音频长度增加。
• 识别准确率受音质、口音与背景噪声影响，专业名词可能需要人工校对。
• 「自动检测」对短音频不够稳定，已知语言时建议手动选择。

常见问题

识别需要联网吗？

不需要。模型已经内置在页面里，识别全程在本机运行。

为什么第一次等待很久？

首次使用需要解压并加载离线语音模型，之后就快了。

时间码有什么用？

可以对照原音视频定位每一句出现的位置，方便做字幕。

准确率如何？

安静环境下的普通话录音效果较好；口音重、噪声大或专业术语多时建议人工校对。

相关工具

隐私说明

音视频文件只在你的浏览器里处理，不会上传到服务器；不需要注册。