音频转写为字幕
首次运行会下载语音模型 —— 快速档约 45 MB，准确档约 81 MB，由本站提供，之后浏览器会缓存。不会上传任何内容；转录稿是机器生成的，发布前请校对措辞和时间。
选项
同一个模型的两档。快速档约 45 MB，转写速度大约快一倍；准确档约 81 MB，大小写和标点更接近正确。两者都在本机运行，每个浏览器只下载一次。处理长录音时，先用快速档确认语言选对了。
录音里说的语言。没有自动选项：这个版本的模型不做语言检测，不选就按英文处理。用英文模型读中文录音不会报错 —— 它会产出一段看着通顺的废话，这比报错难发现得多。请选择你实际听到的语言。
.srt 在任何地方都能播放，包括较老的编辑器和电视机；.vtt 是 Web 格式，结构稍微多一些。两者承载完全相同的字幕条和完全相同的时间，所以选你后续工具链期待的那一种。
这一页听一段录音，把听到的内容写下来，产物是字幕文件：一句一条 cue，开始与结束落在话真正说出来的位置。拖入一段采访、一节课、一条语音备忘，或者一部根本没有字幕轨的电影音轨，你会得到一份能在任何播放器里播放的 .srt 或 .vtt。事先不需要存在任何字幕轨——当没有东西可提取时，就来这一页。
听的过程在标签页里完成。语音模型通过 onnxruntime 跑在 WebAssembly 上，模型文件由本站提供，唯一的网络流量就是这次下载：快速档约 45 MB，准确档约 81 MB，之后由浏览器缓存。录音不会发往任何地方。转写过程中查看 Network 面板，你会看到模型数据下行，而没有任何一个字节上行。口语语言必须手动指定，选项覆盖英语、中文、西班牙语、阿拉伯语、印地语、葡萄牙语、法语、日语、俄语和韩语十种。
出来的是机器的尽力猜测，不是有据可查的转录。听错的词仍然是错的，时间轴精确到短语长度，而不是帧。发布前请校对，把结果当作一个语速很快、但不了解主题的人打出的初稿。这与 OCR 页面遵循的是同一条诚实规则，也是这一页把提醒放在开头而不是脚注里的原因。
录音被切成 30 秒的窗口，窗口之间重叠 5 秒，每个窗口单独转写。这让长文件不必一口气把一小时音频塞进模型，也是取消要到下一个窗口才生效的原因。跨边界的句子靠一条去重规则处理：下一个窗口报告的、起点早于上一个窗口结束的内容会被丢掉——先听到的那一份获胜，因为它听到了完整的短语。
过长的句子先在句子边界切开，再受两条上限约束：一条字幕不超过 7 秒、不超过 84 个字符，每行最多折成 42 个字符。这与多数广播机构规定的上限相同，所以产物通常不用编辑就能过第一道合规检查。
常见问题
录音说的不是英语时，音频转写为字幕要怎么设置？
必须手动告诉页面说的是哪种语言，因为这个版本的模型不做语言识别。没有自动选项，这是有意的：没有选择语言时，模型会假定英语。一段中文录音被当作英语，不会报错，而是返回一串听起来有点像原文、实际上自信满满的英文词，比一条错误提示难发现得多。选你真正听到的语言；拿不准时，先用快速档转写三十秒核对。
转写出来的时间轴与手工字幕相比准到什么程度？
够播放，不够未经编辑就播出。每条字幕的起止来自模型自己的分段边界，落在短语边缘，而不是某个词开始的那一帧。两条字幕将要重叠时，后一条会被往后推，调整量计入有损列表，所以不会重叠，也不会出现时间倒退。如果客户要的是帧级同步——例如给广播机构交付的字幕公司——诚实的说法是：这份产物是待手工对时的草稿，不是成品。
既然有准确档，为什么音频转写为字幕还提供快速档？
因为在长文件上，两者的差别是等下去与放弃的差别。用一分钟清晰语音实测，快速档约 3.7 秒，准确档约 7.5 秒——每听一分钟音频，等待时间大约翻倍。快速档还更爱自作主张地加标点、改大小写；准确档更接近人写出来的样子。常见做法是先用快速档跑完一小时采访，确认语言和音质没问题，再用准确档重跑。
明明听得见说话，为什么音频转写为字幕提示没有识别出语音？
因为模型没有听到任何它能写下来的内容，通常有三种原因：语言设置与实际说话不符、说话声被音乐或噪声压住、音轨音量很低。文件本身是完好的——页面把这种情况与音频根本无法解码分开报，因为两者的修法不同。换一个口语语言，或者确认你拖进来的音轨就是你想要的那一条（电影评论音轨与对白音轨是两条不同的流）。
音频转写为字幕太久时能中途停止吗？
能，而且页面会明确它在哪里停。模型下载可以随时取消。识别阶段，模型在一个窗口内部无法被打断，所以取消会在下一个 30 秒窗口开始时生效，快速档上通常只差几秒。没有写完的产物不会作为下载提供；模型仍然留在缓存里，重试不需要重新下载。
转写出的 .srt 会保留说话人标记或标点吗？
模型产出的标点会保留，通常合理但不可靠；说话人标记不会被发明出来——这个模型不区分声音，两个人对话会合并成一条文字流。要加说话人标记只能手工做。需要的话，先转写再编辑：文件能在任何字幕编辑器里打开，而且 cue 已经在句子边界切开，这一遍会比从空白时间轴开始快得多。