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语音笔记、提醒、给同事的消息或简短备忘录，也可以上传录音，即可获得纯文本文件（.txt，UTF 8）。转写由我们自有服务器上的开源语音识别模型 Whisper 完成，支持约 100 种语言，并可自动识别语言。
-
录音： 使用浏览器录音功能讲话——每次最长 30 分钟——或上传 MP3、WAV、M4A、AAC、OGG、FLAC 或 WebM 文件。
-
转写： Whisper 会自动添加标点并写出文字；可选择标记访谈和会议中的说话人变化。输出：纯文本文件（.txt，UTF 8）。
-
隐私保障： 在您确认之前，文件不会上传。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，并在我们自有硬件上运行，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。对于采访和会议，请开启“检测多个说话者”（可标记发言者，但耗时会明显更长）。然后开始转写。
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、背景噪音和专业词汇。系统会自动检测语言。
按需识别说话人
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约增加一倍，因此默认关闭。
适合您工作流程的 TXT 输出
转录内容将保存为纯 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 TXT
您的浏览器会将麦克风录音保存为 Opus 音频（Chrome、Firefox、Edge）或 AAC（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。
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，包括标点和句子换行。如果启用了说话人检测，系统会先使用说话人分离模型按说话人拆分音频，并相应地为转写文本添加标注。
转写文本将保存为带有正常标点和段落换行的纯 UTF 8 文本文件，因此可在任何文本编辑器、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、噪声和语音重叠。请将麦克风保持在距口部 10–20 厘米的位置；近距离握持的手机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内录音。
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，半句话和语气词比稍慢一些但完整的表达更容易产生较差的文本。进行访谈时，请提醒大家不要同时说话；语音重叠是任何识别器都最难处理的情况。
开始前请先试听预览。如果音量表几乎不动，或始终处于满格状态，请重新录制，不要指望转写文本能正确生成。
语音转 TXT 的常见用途
此工具适合更喜欢说话而非打字的人，或需要在聊天应用之外发送语音消息的用户：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，因此无需任何设置，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，而是会以实际说出的语言生成。
对于已经保存为文件的音频——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。
此工具无法执行的操作
它不进行翻译：转写文本将使用语音所用的语言。它不会生成字幕时间轴——如需 SRT 或 VTT 文件，请使用本站的字幕转换工具。它不会按姓名识别说话者，仅会在启用说话者检测时识别说话者切换。此外，它无法还原录音中听不清的词语。
专有名词、产品名称和少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？
对于录音清晰且只有一位说话人的音频，Whisper 在包括标点在内的主要语言转写中通常能达到 90% 以上的准确率。背景噪声较大、多人同时说话、音频音量过低或方言较重时，准确率会下降——此时，以下录音建议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。转写文本将使用音频中的口语语言，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，直到您点击对话框中的按钮。如果您取消操作或关闭标签页，内容不会被发送。上传的文件和转录文本会在处理完成后自动删除。
录音最长可以是多长？
浏览器内录音器会在 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额外花费相同的时间。
“检测多位说话者”有什么作用？
它会在转录前执行说话人分离，并在说话人切换时插入标记。适用于访谈、会议和播客；对于听写和语音备忘录，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？
纯文本是最便携的结果格式：可在任何设备上打开，可轻松粘贴到笔记、电子邮件、CMS 编辑器和聊天工具中，且文件体积很小。如果您需要带格式的文档，可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。