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 TXT
直接在瀏覽器中口述聽寫內容、旁白、講課筆記、訪談回答或簡短配音，也可上傳錄音檔，便能取得純文字檔（.txt、UTF 8）。轉錄服務採用開源語音辨識模型 Whisper，並在我們自有的伺服器上執行，可支援約 100 種語言並自動偵測。
-
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 會加上標點符號並寫出文字；可選擇標記訪談與會議中的說話者變更。輸出：純文字檔案（.txt、UTF 8）。
-
私密： 在您確認前，不會上傳任何內容。音訊和逐字稿會在處理完成後自動刪除，最晚於數小時內刪除。
轉錄
語音轉 TXT 的運作方式
此頁面結合瀏覽器內錄音工具與 GPU 語音轉文字後端。錄音功能使用 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音訊正在輸入。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，請開啟「偵測多位說話者」（可標示誰正在說話，但處理時間會明顯較長）。然後開始轉錄。
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 已使用 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，更能有效處理各種口音、背景雜音與專業詞彙。系統會自動偵測語言。
可依需求偵測說話者
針對對話內容，選用的說話者偵測功能會在轉錄文字中標示說話者變更。由於會使處理時間約增加一倍，因此預設為關閉。
符合您工作流程的 TXT 輸出
逐字稿會儲存為純 UTF 8 文字檔，保留一般標點符號與段落換行，可在任何文字編輯器、文書處理軟體或筆記 App 中開啟，並可貼到任何地方。
免費且私密
無需帳戶、沒有浮水印，也沒有試用次數限制。錄音在您確認前絕不會離開您的裝置，處理完成後音訊與逐字稿將自動刪除。
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 TXT
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 這個開放原始碼語音辨識模型會一次將音訊轉換為文字，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不同說話者劃分音訊，並在逐字稿中加入相應標註。
逐字稿會儲存為使用一般標點符號與段落分行的純 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；之後音訊與逐字稿都會自動刪除。
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、雜訊和重疊說話。請讓麥克風與嘴巴保持 10–20 公分的距離；近距離拿著手機錄音，效果通常比放在桌子另一端的筆電更好。請關閉風扇、關上窗戶，並避免在回音明顯的房間錄音。
請以正常速度說話並說完整句子——模型會利用上下文，因此說到一半的句子和填充詞，產生的文字會比稍微放慢速度、完整說話的效果更差。訪談時，請提醒大家不要同時說話；重疊語音是任何辨識系統最難處理的情況。
開始前請先聆聽預覽。如果音量計幾乎沒有動，或一直顯示在最高位置，建議重新錄製，不要期待轉錄文字能正確產生。
語音轉 TXT 的常見用途
此工具適合教師、Podcaster、記者，以及任何用說話比用鍵盤打字更快的人：透過說話草擬電子郵件或文章、記錄會議紀錄、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，或取得目前無法播放的語音訊息之可閱讀文字版本。
由於 Whisper 會自動偵測語言，同一個頁面無需任何設定，即可處理德語聽寫、西班牙語語音筆記或英語講座。轉錄文字不會被翻譯，而是會以實際說出的語言呈現。
對於已經儲存為檔案的音訊，例如 Podcast、講座或通話錄音，本網站的音訊轉文字與 MP3 轉文字工具會使用相同的智慧引擎及相同選項。
此工具無法執行的操作
此工具不會翻譯：轉錄文字會保留為語音原本的語言。它不會產生字幕時間碼，如需建立 SRT 或 VTT 檔案，請使用本網站的字幕轉換工具。啟用說話者偵測時，它只會偵測說話者變更，不會依姓名辨識說話者。它也無法還原錄音中聽不清楚的詞語。
專有名詞、產品名稱和罕見縮寫最容易出現錯誤；只要在查看結果時特別留意這些內容，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 在主要語言中的辨識正確率通常超過 90 %，並可包含標點符號。若背景雜音嚴重、多位人士同時交談、音訊音量過低或方言口音較重，準確率就會下降；以下錄音建議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，並會根據音訊開頭幾秒自動判斷語言，因此無需進行任何設定。混合多種語言的錄音會以主要使用的語言轉錄。轉錄文字會以說出的語言呈現，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。如果您取消操作或關閉分頁，系統不會傳送任何內容。上傳的檔案和轉錄文字會在處理完成後自動刪除。
錄音最長可以有多久？
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，而說話者偵測會額外增加約同等的處理時間。
「偵測多位說話者」有什麼作用？
系統會先進行說話者分離，再開始轉錄，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。
為什麼是 .txt 檔案，而不是 Word 文件？
純文字是最方便攜帶的輸出格式：可在任何裝置上開啟，能順暢貼到筆記、電子郵件、CMS 編輯器和聊天室中，而且檔案很小。如果您需要格式化文件，請將文字貼到文書處理軟體中，或使用本網站的語音轉 PDF 工具。