音訊轉寫為文字
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。
這一頁把一段錄音變成純文字：說了些什麼的段落，時間碼全部拿掉。它與這一頁的字幕版共用同一個聆聽引擎——同樣的模型、同樣的三十秒視窗、同樣只在本機執行的規則——但最後一步不同。它不是一句一條字幕，而是把句子連接成段落並完全丟掉時間，所以你拿到的是可以貼進文件、電子郵件或會議紀錄的東西。
段落分在兩件真正區隔思緒的事情上：超過一秒半的停頓，或連續四句。只靠停頓的規則，會把五分鐘的獨白變成一面無法閱讀的文字牆；只靠句數的規則，則會把說話者換氣的停頓切成新段落。兩者一起用，才會產出讀起來大致像那個人說話方式的文字。
工作在本機完成。語音模型從本站下載一次——快速等級約 45 MB，準確等級約 81 MB——之後由瀏覽器快取；錄音本身從不離開分頁。沒有需要跳過的上傳步驟，也不必建立帳號，這正是它可以用在不能送進轉錄服務的訪談上的原因。
產物是一份以來源錄音命名的 .txt 檔：film.mkv 會變成 film.transcript.txt。這個特別的後綴是刻意的——一份放在其他文字檔旁邊的純 .txt，應該說明自己是什麼，而機器產生的轉錄稿，與有人手打的會議紀錄是不同種類的文件。
與字幕版一樣，產出需要校對，而且語言必須手動選擇：這個版本的模型在沒有指示時會假設是英語，選錯不會報錯，而是產出看起來流暢的胡說。
常見問題
這一頁和把字幕檔匯出成純文字的頁面有什麼不同？
差別在時間從哪裡來。匯出頁從一份已經有字幕條的字幕檔開始，把文字連接成段落——時間本來就存在，只是被丟掉。這一頁從完全沒有時間的音訊開始，先建立時間、再把它丟掉。這就是為什麼沒有字幕軌的錄音在這裡行得通、在那裡不行，也是為什麼這一頁需要下載模型，而那一頁是瞬間完成。
為什麼段落分在一秒半的靜音處？
因為那大致是說話者轉換思緒的地方。更短的間隙落在句子內部，會把文字從子句中間切斷；長得多的門檻則會把不同主題接進同一個段落。四句上限是為了錄音完全沒有靜音的情況——一段背稿的旁白，或一鏡到底錄成的 Podcast——那裡停頓永遠不會出現，只靠間隙的規則會產出單一區塊。兩條規則合起來，是能同時處理兩端的最小集合。
這份轉錄稿可以當成證據或正式記錄嗎？
以產出的原樣不行。它是機器的最佳猜測，而機器轉錄會把人名、數字與專業術語弄錯——那正是記錄裡最要緊的字。在法律或醫療情境裡，正確的做法是把它當成草稿，逐行對著音訊核對，並在文件裡說明這件事。一份比音訊本身更乾淨的轉錄稿是一種負債，這也是為什麼這一頁把檔案命名為 .transcript.txt，而不是某個看起來像會議紀錄的名字。
錄音裡有音樂，或好幾個人同時說話時會怎樣？
重疊的語音是任何單一音流模型都會退化的地方：兩個聲音同時出現會變成一句很長的連句，也不會產出說話者標籤。背景音樂通常會被忽略，但語音底下的音樂太大聲時，可能把字從文字裡拉掉，或生出從來沒說過的字。如果結果有幾處讀起來怪怪的，請在那些點上對照音訊，而不是相信文字的流暢度——一句看起來自信的句子，不代表它真的被說過。
轉錄稿會保留檔案本身的結構，例如章節或軌道名稱嗎？
不會。只有被轉錄的音訊會過來；章節標記、軌道標題與語言標籤這類容器中繼資料，不屬於文字的一部分。如果你是從多軌檔案裡轉錄其中一條軌，頁面讀的是你拖進去的檔案裡的音訊，而段落分界來自停頓，不是來自章節原本的位置。若你希望那些邊界出現，先把長錄音切成章節檔案再分別處理，是合理的做法。