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语音笔记、提醒、给同事的消息或简短备忘录，或上传录音，即可获取纯文本文件（.txt，UTF 8）。转写由开源语音识别模型 Whisper 在我们的服务器上完成，支持约 100 种语言并自动识别。
-
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 会自动添加标点并写出文字；可选标记访谈和会议中的说话人变化。输出：纯文本文件（.txt，UTF 8）。
-
隐私保护： 在您确认之前，不会上传任何内容。音频和转写文本会在处理后自动删除，最迟在数小时内删除。
转录
语音转文字如何操作
本页面结合了浏览器内录音功能和 GPU 转写后端。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有的硬件上，而非通过第三方 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音频正在输入。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“检测多位说话人”（可标记发言者，但处理时间会明显更长）。然后开始转录。
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。您可以从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、背景噪音和专业词汇。系统会自动检测语言。
可按需检测说话人
对于对话，可选的说话人识别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。
适配您工作流程的文本输出
转录文本将保存为纯 UTF 8 文本文件，保留正常的标点和段落换行，可在任何编辑器、文字处理软件或笔记应用中打开，并可粘贴到任何位置。
免费且保护隐私
无需注册，无水印，无试用次数限制。在您确认前，录音不会离开您的设备；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），并保存在内存中。确认后，文件会通过 HTTPS 上传到我们的转录服务器之一。
在服务器上，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，并相应地为转录文本添加标注。
转录文本会保存为带有正常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，也可以粘贴到任何位置。您可以在结果页面下载文件；音频和转录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、噪声和声音重叠。请将麦克风保持在距离嘴部 10–20 cm 处；近距离握持手机通常比放在桌子另一端的笔记本电脑效果更好。请关闭风扇、关上窗户，并避免在回声较强的房间录音。
请以正常语速说话，并说完完整句子——模型会利用上下文，因此半句话和填充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，请让参与者不要同时说话；声音重叠是所有语音识别系统最难处理的情况。
开始前请先试听预览。如果音量指示条几乎不动，或始终处于满格状态，请重新录制，不要期待转录文本能够准确生成。
语音转文字的常见用途
此工具适合更喜欢说话而不是打字的用户，或需要在聊天应用之外处理语音消息的用户：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换为可搜索的笔记、为研究转写访谈回答，以及将暂时无法播放的语音消息转换为可阅读的文本。
由于 Whisper 会自动识别语言，无需任何设置，同一页面即可用于德语听写、西班牙语语音笔记或英语讲座。转写文本不会被翻译，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 转文字转换器会使用相同的引擎和选项。
此工具无法完成的操作
它不进行翻译：转录文本会保留为语音所使用的语言。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。它不会按姓名识别说话人，仅会在启用说话人检测时识别说话人的切换。它也无法还原录音中听不清的词语。
人名、产品名称和罕见缩写最容易出错；对于清晰的录音，通常只需留意这些内容并快速通读结果，即可完成所需的编辑。
FAQ
常见问题
转录文本的准确率如何？
对于录音清晰且只有一位说话人的音频，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、多人与此同时说话、音频声音过小或方言较重，准确率会下降——以下录音技巧比任何设置都更有帮助。
支持哪些语言？
Whisper 可识别约 100 种语言，并会根据音频开头几秒自动检测语言，无需进行任何设置。混合语言录音会以主要语言进行转写。转写文本将以所说语言输出，不会被翻译。
我说话时音频会被上传吗？
不会。录音会保留在您的浏览器中，直到您点击对话框中的按钮。如果您取消操作或关闭标签页，任何内容都不会被发送。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？
浏览器内录音最长 30 分钟；上传的文件可以更长。处理时间会随音频时长增加，启用说话人检测后，所需时间大约还会增加相同的时长。
“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，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。您可以在任意编辑器中打开它，修正模型听错的人名、技术术语等内容，然后粘贴到您需要的地方。专有名词和较少见的缩写通常最需要检查。