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 TXT
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，也可上传录音，即可获得纯文本文件（.txt，UTF 8）。转写功能基于开源语音识别模型 Whisper，在我们的自有服务器上运行，支持约 100 种语言并自动识别。
-
录音： 使用浏览器录音器说话——每次最长 30 分钟——或上传 MP3、WAV、M4A、AAC、OGG、FLAC 或 WebM 文件。
-
转录： Whisper 会为语音内容添加标点；可选择标记采访和会议中的说话人变化。输出：纯文本文件（.txt，UTF 8）。
-
隐私保障： 在您确认前，不会上传任何内容。处理完成后，音频和转录文本将自动删除，最迟在数小时内删除。
转录
语音转 TXT 的工作原理
本页面将浏览器内录音功能与 GPU 转写后端相结合。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，运行在我们的自有硬件上，而非第三方 API。
如何使用 Converter App
1
录音或上传
点击“使用麦克风录音”，允许一次访问权限后即可开始说话。计时器和音量指示器会确认正在接收音频。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
在对话框中试听录音。访谈和会议请开启“检测多位说话者”（可标记发言人，但处理时间会明显更长）。然后开始转写。
3
下载转录文本
模型处理期间会显示进度；几分钟的语音通常不到一分钟即可完成。您可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 已使用 68 万小时的多语言音频进行训练，比几年前的语音听写引擎更能准确处理口音、背景噪声和专业词汇。系统会自动检测语言。
按需说话人识别
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约增加一倍，因此默认关闭。
适配您工作流程的 TXT 输出
转录文本将保存为带有正常标点和段落换行的纯 UTF 8 文本文件，可在任何文本编辑器、文字处理软件或笔记应用中打开，并可粘贴到任何位置。
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会自动删除。
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 TXT
您的浏览器会将麦克风录音保存为 Opus 音频（Chrome、Firefox、Edge）或 AAC 音频（Safari），并暂存在内存中。确认后，文件会通过 HTTPS 上传至我们的转写服务器之一。
随后，ffmpeg 会解码音频，Whisper（一款开源语音识别模型）会一次性将其转换为文本，包括标点和句子换行。如果启用了说话人检测，系统会先通过说话人分离模型按说话人拆分音频，并相应标注转写文本。
转写文本会保存为带有常规标点和段落换行的纯 UTF 8 文本文件，因此可在任何编辑器、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；音频和转写文本随后会自动删除。
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、噪音和重叠说话。请将麦克风保持在距离嘴部 10–20 cm 处；近距离手持手机比放在桌子另一端的笔记本电脑效果更好。关闭风扇、关上窗户，并避免在回声明显的房间内录音。
请以正常语速说话，并说完整句子——模型会利用上下文，因此不完整的句子和语气词比稍微放慢语速、完整表达更容易生成较差的文本。采访时，请提醒参与者不要同时说话；重叠语音对任何识别系统来说都是最难处理的情况。
开始前请先试听预览。如果电平表几乎不动，或始终处于最高位置，请重新录制，不要期待转写结果会自动正确。
语音转 TXT 的常见用途
教师、播客创作者、记者以及所有说话时比敲键盘思路更快的人都会使用此工具：通过口述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换为可搜索的笔记、转录访谈回答用于研究，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口述、西班牙语语音笔记或英语讲座。转录文本不会被翻译，而是以实际说出的语言生成。
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 转文字转换器使用相同的引擎，并提供相同的选项。
此工具无法完成的操作
它不会翻译内容：转录文本将使用录音中的口语语言。它不会生成字幕时间轴——如需 SRT 或 VTT 文件，请使用本网站的字幕转换工具。开启说话人检测后，它只能识别说话人的切换，无法按姓名识别说话人。并且，它无法还原录音中听不清的词语。
专有名词、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，快速通读结果即可完成所需的编辑。
FAQ
常见问题
转写文本的准确度如何？
在录音清晰且只有一位说话人的情况下，Whisper 通常能在主要语言中正确识别超过 90% 的词语，包括标点符号。若背景噪音较大、多人同时说话、音频音量过低或方言较重，准确率会下降——相比任何设置，以下录音建议更有帮助。
支持哪些语言？
Whisper 可识别约 100 种语言，并会根据音频开始的几秒钟自动检测语言，无需进行任何设置。对于混合语言录音，将以主要语言进行转写。转写文本会以所说的语言生成，不会被翻译。
我说话时会上传音频吗？
不会。录音内容会保存在您的浏览器中，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。
录音最长可以多长？
浏览器内录音功能将在 30 分钟后停止；上传的文件可以更长。处理时间会随着音频时长增加，而说话人检测会额外增加大致相同的处理时间。
“检测多个说话人”有什么作用？
它会在转录前执行说话人分离，并在说话人发生变化时插入标记。适用于访谈、会议和播客；对于听写和语音笔记，请关闭此功能，否则只会增加等待时间。
为什么是 .txt 文件而不是 Word 文档？
纯文本是兼容性最好的输出格式：可在任何设备上打开，能轻松粘贴到笔记、电子邮件、CMS 编辑器和聊天工具中，而且文件体积很小。如果您需要带格式的文档，请将文本粘贴到文字处理软件中，或使用本网站的语音转 PDF 工具。