核心要点 (BLUF)： 该工具把音频或视频变成文字和字幕：它在你的浏览器里用 Whisper 模型识别语音，自己判断录音的语言或接受你指定的语言，加上时间戳，并以 TXT、SRT、VTT 和 JSON 给出结果。对视频还会额外做出一条把字幕直接烧进画面的片子。文件不会被上传，不扣除代币，这里也没有付费接口。
工具接收音频或视频，把语音变成文字。你上传文件，得到带时间戳的文字稿、现成的字幕；如果是视频，还会得到同一条把字幕直接烧进画面的片子。
识别由 Whisper 模型（开放的多语言模型 Xenova/whisper-tiny）通过 Transformers.js 运行：浏览器提供时在显卡上经 WebGPU，否则在处理器上经 WASM。音轨从文件里就地抽出，在你浏览器的内存中完成。
音频：MP3、WAV、M4A、AAC、OGG、Opus、FLAC。视频：MP4、WebM、MOV、M4V、MKV、AVI、OGV。对视频，工具自己抽出音轨：不必单独剪切。
声音被转成单声道 16 kHz —— 正是 Whisper 等待的形式。长录音按 30 秒的片段识别，片段间重叠 5 秒，因此在拼接处不会丢词。
文件不发送到服务器：声音、识别、字幕的组装都在你的浏览器内部完成。这里没有付费接口，也不扣除代币。
模型权重只从开放的 Hugging Face 目录下载一次，然后留在浏览器缓存里——下次访问时模型无需重新下载即可就绪。这里完全没有服务端推理、CUDA 或“我们一方的备用 GPU”。
Whisper 可识别 99 种语言。默认自动识别语言，工具会显示它听到了哪种语言。录音较短或混杂时，可以在列表里手动选择语言，识别会更准确。
文字可以一键复制，也可以按四种格式下载。TXT 只是文字稿，带或不带时间戳。SRT 和 VTT 是给播放器、剪辑软件和 YouTube 的现成字幕。JSON 是带语言、时长和每句台词及其时间戳的文字稿，便于进一步处理。
对视频文件，工具会做出一条新片子，把字幕直接烧进画面。这种视频在任何地方都能播放，即使那里不支持外挂字幕：聊天软件、社交网络和任何播放器里都可以。原声音保留。
同样的字幕也可以另存为 SRT 和 VTT 文件——可以挂回原视频，不必重新制作。
它不把语音翻译成别的语言：识别按录音的语言进行，翻译是另一件事。它不按声音区分说话人，也不标注谁说了什么。
它不把音乐和噪音当作语音处理：录音里没有可懂语音时，文字稿会是空的或不准。质量取决于录音——在干净、无噪音无回声的人声上，结果明显更好。
选择音频或视频，必要时指定语言（或保持自动识别），然后按「识别语音」。等待文字稿——进度显示在屏幕上，可以中途取消。
然后复制文字，或下载 TXT、SRT、VTT、JSON。如果你上传的是视频，按「制作带字幕的视频」，下载做好的片子。
视频和播客创作者——发布用的字幕、介绍用的文字稿。学生和记者——课程、访谈和录音笔记录的文字。所有想快速从录音拿到文字、又不把它发到别人服务器的人。
哪里也不去。声音完全在你的浏览器里、在你的设备上被提取和识别。我们的服务器从未收到这个文件。
不会。这是在你的设备上运行的免费工具：这里没有付费接口，所以没有东西可扣。
模型在你的设备上计算。第一次启动较慢：要下载模型权重并预热计算图。之后模型来自浏览器缓存，识别会更快。
在列表里手动选择语言，再跑一次识别——对短录音，手动选择比自动识别更准。
可以。下载 SRT 或 VTT 并挂到视频上，或直接在工具里做一条烧好字幕的片子。