隱私優先
上傳的檔案會在兩小時內自動永久刪除。
自動刪除
語音轉文字
直接在瀏覽器中口述聽寫、旁白、課堂筆記、訪談回答或簡短配音，或上傳錄音檔，即可將語音轉為純文字檔案（.txt、UTF 8）。轉錄功能採用開源語音辨識模型 Whisper，並在我們自有伺服器上執行，支援約 100 種語言並可自動偵測。
-
錄音： 使用瀏覽器錄音工具說話，每次最長可錄製 30 分鐘；或上傳 MP3、WAV、M4A、AAC、OGG、FLAC 或 WebM。
-
轉錄： Whisper 會將語音轉為含標點符號的文字；可選擇標記訪談和會議中的說話者變更。輸出：純文字檔案（.txt，UTF 8）。
-
私密安全： 在您確認前，不會上傳任何內容。音訊與逐字稿會在處理後自動刪除，最晚於數小時內完成刪除。
轉錄
語音轉文字的運作方式
此頁面結合瀏覽器內建錄音功能與 GPU 文字轉錄後端。錄音功能採用 Chrome、Firefox、Edge 和 Safari 內建的 MediaRecorder 介面；語音辨識則由 OpenAI 發布的開源模型 Whisper 處理，並在我們自有的硬體上執行，而非透過第三方 API。
如何使用 Converter App
1
錄製或上傳
按下「使用麥克風錄音」，允許一次存取權限後即可開始說話。計時器和音量表會確認正在接收音訊。您也可以上傳現有錄音，任何手機的語音備忘錄都可以。
2
確認並開始
在對話方塊中聆聽錄音。針對訪談和會議，請啟用「偵測多位說話者」（可標示發言者身分，但會明顯花費更長時間）。接著開始轉錄。
3
下載逐字稿
模型處理時會顯示進度；幾分鐘的語音通常不到一分鐘即可完成。您可在結果頁面下載純文字檔案（.txt，UTF 8）。
主要功能
內建 Whisper 技術
Whisper 已透過 68 萬小時的多語言音訊進行訓練，比起幾年前的語音聽寫引擎，更能有效處理口音、背景雜音及技術詞彙。系統會自動偵測語言。
可依需求偵測說話者
對於對話內容，選用的說話者偵測功能會在文字稿中標示說話者的變更。這項功能大約會使處理時間增加一倍，因此預設為關閉。
符合您工作流程的文字輸出
轉錄文字會儲存為純 UTF 8 文字檔，保留一般標點符號和段落換行，因此可在任何文字編輯器、文書處理軟體或筆記 App 中開啟，也能貼到任何地方。
免費且私密
無需帳號、沒有浮水印，也沒有試用次數限制。在您確認前，錄音檔不會離開您的裝置；處理完成後，音訊與逐字稿會自動刪除。
體驗與隱私
專為可靠的轉錄工作流程打造。
由工程師開發，具備10 年以上經驗，專精於大型基礎架構、 資料系統與科學運算。專為重視隱私、 可靠處理與實用性的真實音訊工作流程而設計。
本頁面如何將語音轉換為文字
您的瀏覽器會將麥克風錄音儲存為 Opus 音訊（Chrome、Firefox、Edge）或 AAC（Safari），並保留在記憶體中。當您確認後，檔案會透過 HTTPS 上傳至我們其中一台語音轉文字伺服器。
在伺服器上，ffmpeg 會解碼音訊，而 Whisper——一個開源語音辨識模型——會一次將其轉換為文字，包括標點符號與句子分段。若啟用說話者偵測，系統會先透過說話者分離模型依說話者拆分音訊，並據此為逐字稿加上標註。
逐字稿會儲存為使用一般標點符號與段落分隔的純 UTF 8 文字檔，因此可在任何文字編輯器、文書處理軟體或筆記 App 中開啟，也能貼到任何地方。您可在結果頁面下載檔案；之後音訊與逐字稿會自動刪除。
比任何設定都更重要的錄音技巧
語音辨識的效果取決於音訊品質。影響最大的三個因素是距離、雜訊與語音重疊。請將麥克風保持在距離嘴巴 10–20 公分處；靠近嘴巴拿著手機，比起放在桌子另一端的筆電效果更好。請關閉風扇、關上窗戶，並避免在回音嚴重的房間錄音。
請以正常速度說話，並說完整句子——模型會利用上下文，因此半句話和贅詞產生的文字效果會比稍微放慢速度、完整說話更差。進行訪談時，請提醒大家不要同時說話；語音重疊是所有辨識系統最難處理的情況。
開始前請先聆聽預覽。如果音量表幾乎沒有動作，或持續顯示滿格，建議重新錄音，不要期待轉錄文字能正確產生。
語音轉文字的常見用途
這項工具適合教師、Podcast 製作者、記者，以及所有用說的比用鍵盤打字更快的人：透過說話撰寫電子郵件或文章、記錄會議紀要、將講座或語音備忘錄轉成可搜尋的筆記、為研究用途轉錄訪談回答，以及在暫時無法播放語音訊息時取得可閱讀的文字版本。
由於 Whisper 會自動偵測語言，同一個頁面無需任何設定即可用於德語聽寫、西班牙語語音筆記或英語講座。逐字稿不會被翻譯，而是會以原本說出的語言呈現。
對於已經存在的音訊檔案，例如 Podcast、講座和通話錄音，本網站的音訊轉文字和 MP3 轉文字工具會使用相同的引擎與選項。
此工具無法執行的功能
此工具不會進行翻譯：轉錄文字會以語音所使用的語言呈現。它不會產生字幕時間軸；如需建立 SRT 或 VTT 檔案，請使用本網站的字幕轉換工具。它不會依姓名辨識說話者，只會在啟用說話者偵測時辨識說話者變更。此外，它無法還原錄音中聽不清楚的字詞。
專有名詞、產品名稱和罕見縮寫最容易出現錯誤；只要留意這些內容快速檢查結果，通常就是清晰錄音所需的全部編輯工作。
FAQ
常見問題
轉錄文字的準確度如何？
在錄音清晰且只有一位說話者的情況下，Whisper 通常能正確辨識主要語言中超過 90 % 的文字，包括標點符號。若背景噪音很大、多人同時說話、音訊音量過低或方言口音較重，準確度就會下降——以下錄音技巧比任何設定都更有幫助。
支援哪些語言？
Whisper 可辨識約 100 種語言，並會根據音訊最初幾秒鐘的內容自動判斷語言，因此無需進行任何設定。混合語言錄音會以主要使用的語言進行轉錄。逐字稿會以原本說出的語言呈現，不會進行翻譯。
我說話時音訊會上傳嗎？
不會。錄音工具會將音訊保留在您的瀏覽器中，直到您在對話方塊中按下按鈕為止。若您取消操作或關閉分頁，系統不會傳送任何內容。您上傳的檔案和轉錄文字會在處理完成後自動刪除。
錄音最長可以有多長？
瀏覽器內錄音功能會在 30 分鐘後停止；上傳的檔案可以更長。處理時間會隨音訊長度增加，而說話者偵測大約會再增加相同的處理時間。
「偵測多位說話者」有什麼作用？
系統會在轉錄前執行說話者分離步驟，並在說話者變更時插入標記。適合用於訪談、會議和 Podcast；若是聽寫或語音備忘錄，請關閉此功能，否則只會增加等待時間。
之後可以編輯文字嗎？
是的，結果會是純文字 .txt 檔案。您可以使用任何文字編輯器開啟，修正模型聽錯的人名、專有名詞或技術術語，再貼到需要使用的位置。專有名詞和較少見的縮寫通常最需要檢查。