音訊轉寫為字幕
首次執行會下載語音模型 —— 快速檔約 45 MB，準確檔約 81 MB，由本站提供，之後瀏覽器會快取。不會上傳任何內容；轉錄稿是機器產生的，發布前請校對措辭和時間。
選項
同一個模型的兩檔。快速檔約 45 MB，轉錄速度大約快一倍；準確檔約 81 MB，大小寫和標點更接近正確。兩者都在本機執行，每個瀏覽器只下載一次。處理長錄音時，先用快速檔確認語言選對了。
錄音裡說的語言。沒有自動選項：這個版本的模型不做語言偵測，不選就按英文處理。用英文模型讀中文錄音不會報錯 —— 它會產出一段看似通順的廢話，這比報錯難發現得多。請選擇你實際聽到的語言。
.srt 在任何地方都能播放，包括較舊的編輯器和電視機；.vtt 是 Web 格式，結構稍微多一些。兩者承載完全相同的字幕和完全相同的時間，所以選你後續工具鏈期待的那一種。
這一頁聽一段錄音，把它聽到的寫下來，做成字幕檔：一句一條字幕，每條的起點與終點落在文字真正出現的位置。拖進一段訪談、一場講座、一則語音備忘，或一部根本沒有字幕軌的影片的音軌，你就會得到一份能在任何播放器裡播放的 .srt 或 .vtt。事先不需要存在任何字幕軌——這一頁正是給「沒有東西可以抽取」的時候用的。
聆聽在分頁裡發生。語音模型透過 onnxruntime 跑在 WebAssembly 上，模型檔案由本站提供，唯一的網路流量就是那個下載：快速模型約 45 MB，準確模型約 81 MB，之後由瀏覽器快取。錄音從不被送到任何地方。處理檔案時打開 Network 面板，你會看到下行的模型資料請求，而上行一個位元組都沒有。
產出的是機器的最佳猜測，不是正式記錄。聽錯的字就是聽錯，時間的準確度大約是一句話的長度，而不是一格影格。發布前請校對，並把結果當成一位不熟悉主題、打字很快的人所做的初稿。這與光學字元辨識頁面遵循的是同一條誠實規則，也是這一頁把它寫在最上方、而不是藏在註腳裡的原因。
錄音會被切成 30 秒的視窗，重疊 5 秒，每個視窗各自轉錄。這讓長檔案成為可能，不必把一小時的音訊一次塞進模型；這也是為什麼取消會在下一個視窗開始時才生效，而不是立刻。跨越邊界的句子會透過丟棄「下一個視窗回報、但起點早於上一個視窗結束」的內容來去重——先讀到的那一份勝出，因為它聽到了完整的句子。
長句會按句子邊界切開，再套用兩個上限：一條字幕不超過七秒，也不超過 84 個字元，並換行到每行最多 42 個字元。那正是大多數廣播機構規定的上限，所以產物通常不用編輯就能通過第一次合規檢查。
常見問題
錄音是英語以外的語言時會怎樣？
你必須告訴頁面說的是哪種語言，因為這個版本的模型不會自動偵測。沒有自動選項，而這是刻意的：沒有指定語言時，模型會假設是英語。一段中文錄音被當成英語讀，不會報錯——它會回傳看起來很自信、聽起來隱約像原文的英文詞，那比錯誤訊息更難察覺。選你真正聽到的語言；如果不確定，先用快速模型轉錄三十秒確認。
與手工製作的字幕相比，時間有多準？
好到可以播放，但還不到未經編輯就能播出的程度。每條字幕的起止來自模型自己的分段邊界，那會落在語句邊緣，而不是某個字開始的精確影格。兩條字幕若會重疊，較晚的那條會被往後推，調整量計入有損清單，所以不會重疊、時間也不會倒退。如果客戶要求逐格精確的同步——例如交片給廣播機構的字幕公司——誠實的答案是：這份產物是待手工對時的草稿，不是交付品。
既然有準確模型，為什麼還要提供快速模型？
因為在長檔案上，那個差別就是「等待」與「放棄」的差別。以一分鐘清晰語音實測，快速模型約 3.7 秒、準確模型約 7.5 秒——每分鐘音訊大約多等一倍。快速模型也更容易亂加大寫，有時會自己發明標點；準確模型比較接近人會寫的樣子。常見做法是先用快速模型跑完一小時訪談，確認語言與音訊品質，確定檔案沒問題後再用準確模型重跑一次。
我明明聽得到有人在說話，為什麼會出現「沒有辨識到語音」？
那表示模型沒有聽到任何它寫得下來的東西，通常有三個原因：語言設定與實際說的語言不符、語音被音樂或噪音蓋住，或音軌非常小聲。檔案本身是完好的——頁面會把這個情況與「音訊完全無法解碼」分開，因為兩者需要不同的修法。切換說話語言，或確認你拖進去的音軌是你以為的那一條（影片的評論音軌與對白音軌是不同的串流）。
可以中止一場會跑太久的轉錄嗎？
可以，而且頁面會明確說明它在何時停下。模型下載隨時可以取消。辨識期間，模型無法在一個視窗中途被打斷——所以取消會在下一個 30 秒視窗開始時生效，以快速模型來說大約是幾秒之後。不會把任何半成品當成下載提供。模型會留在快取裡，所以再試一次不會重新下載。
產出的 .srt 會保留說話者標籤或標點嗎？
它會保留模型產出的標點，通常合理，但不保證可靠；也不會發明說話者標籤：這個模型不分離聲音，所以兩個人說話會變成同一串文字。在這裡，加上說話者標籤是手工工作。若你需要，先轉錄再編輯——檔案可以用任何字幕編輯器打開，而且字幕條已經按句子邊界切好，這一輪會比從空白時間軸開始快得多。