隐私优先
上传的文件会在两小时内自动且永久删除。
自动删除
语音转文字
直接在浏览器中口述听写、旁白、讲座笔记、访谈回答或简短配音，也可以上传录音，即可获得纯文本文件（.txt，UTF 8）。转录由开源语音识别模型 Whisper 在我们的服务器上完成，支持约 100 种语言，并可自动检测语言。
-
录音： 使用浏览器录音器讲话——每次最长 30 分钟——或上传 MP3、WAV、M4A、AAC、OGG、FLAC 或 WebM。
-
转写： Whisper 会将语音转为带标点的文字；可选标记访谈和会议中的说话人切换。输出：纯文本文件（.txt，UTF 8）。
-
隐私保障： 在您确认之前，不会上传任何内容。处理完成后，音频和转录文本会自动删除，最迟在数小时内删除。
转写
语音转文字如何操作
本页面结合浏览器内录音功能与 GPU 转录后端。录音使用 Chrome、Firefox、Edge 和 Safari 内置的 MediaRecorder 接口；语音识别则由 OpenAI 发布的开源模型 Whisper 完成，该模型运行在我们自己的硬件上，而非通过第三方 API。
如何使用 Converter App
1
录制或上传
点击“使用麦克风录制”，一次允许访问后即可开始讲话。计时器和音量指示器会确认是否正在接收音频。您也可以上传现有录音——任何手机的语音备忘录都可以。
2
检查并开始
在对话框中收听录音。对于访谈和会议，请开启“检测多个说话人”（可标记发言者，但耗时会明显更长）。然后开始转录。
3
下载转录文本
模型处理时会显示进度；几分钟的语音通常不到一分钟即可完成。您可以在结果页面下载纯文本文件（.txt，UTF 8）。
核心功能
内置 Whisper 技术
Whisper 基于 68 万小时的多语言音频训练而成，比几年前的语音听写引擎更能准确处理口音、背景噪声和专业术语。系统会自动识别语言。
按需检测说话人
对于对话，可选的说话人检测功能会在转录文本中标记说话人的变化。该功能会使处理时间大致增加一倍，因此默认关闭。
适合您工作流程的文本输出
转写内容会保存为纯 UTF 8 文本文件，包含正常的标点和段落分隔，可在任何文本编辑器、文字处理软件或笔记应用中打开，也可粘贴到任何位置。
免费且私密
无需注册，无水印，无试用次数限制。录音在您确认前不会离开您的设备，处理完成后音频和转录文本将自动删除。
体验与隐私
为可靠的转录工作流程而打造。
由拥有10年以上经验的工程师开发，专注于大规模基础设施、 数据系统和科学计算。专为真实世界的音频工作流程设计，在这里，隐私、 稳定可靠的处理和实用易用性都很重要。
本页面如何将语音转换为文本
您的浏览器会将麦克风录制为 Opus 音频（Chrome、Firefox、Edge）或 AAC（Safari），并将其保存在内存中。确认后，文件会通过 HTTPS 上传至我们的转写服务器之一。
在那里，ffmpeg 会解码音频，Whisper（一种开源语音识别模型）会一次性将其转换为文本，包括标点和句子分隔。如果启用了说话人检测，分离模型会先按说话人拆分音频，并相应地为转写文本添加标注。
转写文本会保存为带有正常标点和段落分隔的纯 UTF 8 文本文件，因此可在任何文本编辑器、文字处理软件或笔记应用中打开，也可粘贴到任何位置。您可以在结果页面下载文件；之后音频和转写文本会自动删除。
比任何设置都更重要的录音技巧
语音识别的效果取决于音频质量。影响最大的三个因素是距离、噪声和重叠说话。请将麦克风保持在离嘴巴 10–20 cm 的位置；近距离手持手机的效果优于放在桌子另一端的笔记本电脑。关闭风扇、关上窗户，并避免在回声严重的房间内录音。
请以正常语速说话，并说完完整的句子——模型会利用上下文，因此不完整的句子和语气词产生的文本效果会比稍慢但完整的表达更差。进行访谈时，请让参与者避免同时说话；重叠语音是任何识别器最难处理的情况。
开始前请先试听预览。如果音量表几乎没有变化，或始终处于满格状态，建议重新录制，而不要期待转写结果会正确无误。
语音转文字的常见用途
教师、播客创作者、记者，以及所有觉得开口说话比键盘打字更快的人都会使用此工具：通过说话起草电子邮件或文章、记录会议纪要、将讲座或语音备忘录转为可搜索的笔记、为研究转录访谈回答，以及获取当前无法播放的语音消息的可读文本版本。
由于 Whisper 会自动检测语言，无需任何设置，同一页面即可处理德语听写、西班牙语语音笔记或英语讲座。转录文本不会被翻译，而是以原始语音的语言呈现。
对于已保存为文件的音频——播客、讲座、通话录音——本站的音频转文字和 MP3 转文字转换器会使用相同的引擎和选项。
此工具无法完成的操作
它不会进行翻译：转录文本将保持为录音中的口语语言。它不会生成字幕时间轴——如需 SRT 或 VTT 文件，请使用本站的字幕转换工具。开启说话人检测后，它只能识别说话人的更换，无法按姓名识别说话人。它也无法还原录音中听不清的内容。
专有名称、产品名称和罕见缩写是最常见的错误；对于清晰的录音，通常只需重点检查这些内容并快速通读结果即可完成编辑。
FAQ
常见问题
转录文本的准确度如何？
在录音清晰且只有一位说话人的情况下，Whisper 对包括标点在内的主要语言转写准确率通常超过 90%。如果背景噪音较大、多人同时说话、音频音量过低或方言较重，准确率会下降——与其调整设置，不如参考以下录音建议。
支持哪些语言？
Whisper 可识别约 100 种语言，并会根据音频开头几秒自动识别语言，无需进行任何设置。混合语言录音会以主要使用的语言进行转录。转录文本将以原始语音语言生成，不会被翻译。
我说话时音频会被上传吗？
不会。录音内容会保留在您的浏览器中，直到您在对话框中点击按钮。如果您取消操作或关闭标签页，不会发送任何内容。上传的文件和转录文本会在处理完成后自动删除。
录音最长可以有多长？
浏览器内录音功能会在 30 分钟后停止；上传的文件可以更长。处理时间会随音频时长增加，而说话人检测大约还会增加同等时长的处理时间。
“检测多个说话人”有什么作用？
它会在转写前执行说话人分离，并在说话人切换时插入标记。适用于访谈、会议和播客；对于听写和语音笔记，建议关闭此功能，因为它只会增加等待时间。
之后可以编辑文本吗？
是的，结果为纯 .txt 文件。您可以使用任何编辑器打开它，修正模型听错的人名或技术术语，然后粘贴到您需要的位置。专有名词和罕见缩写是最常需要检查的内容。