音频转写为文本
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。
这一页把一段录音变成纯文本：说过的内容分成段落，时间码全部去掉。它和本站音频转写为字幕那一页用同一套聆听引擎——同样的模型、同样的三十秒窗口、同样只在本机运行的规则——但最后一步不同：不再一句一条 cue，而是把句子拼成段落、彻底丢掉时间轴，产物可以直接粘进文档、邮件或会议纪要。
分段依据的是说话时真正分隔想法的两件事：超过一秒半的停顿，或者连续四句。只按停顿分段，会把五分钟的独白变成一整堵读不下去的文字墙；只按句数分段，会把说话人换气的一次停顿切成新段落。两条一起用，读起来才接近那个人说话的样子。
工作在本地完成。语音模型从本站下载一次——快速档约 45 MB，准确档约 81 MB——之后由浏览器缓存；录音本身从不离开标签页。没有需要跳过的上传步骤，也不用注册账号，这正是它能用于不能交给转录服务的采访的原因。
产物是按源录音命名的 .txt：film.mkv 变成 film.transcript.txt。这个后缀是刻意的——一堆文本文件里的一份纯 .txt 应该说清自己是什么，而机器生成的转录稿与某人手打的会议纪要是两种不同的文件。
和字幕版一样，产物需要校对，语言也必须手动选择——可选的就是字幕版那十种口语语言；这个版本的模型在没被告知时会假定英语，选错语言会得到看起来通顺的胡话，而不是一条报错。
常见问题
音频转写为文本和把字幕导出为文本有什么区别？
差别在时间轴从哪来。导出页从一份已经带 cue 的字幕出发，把文字拼成段落——时间轴本来就有，只是被丢掉。这一页从一段没有时间轴的录音出发，先建出时间轴，再丢掉它。所以没有字幕轨的录音只能来这里，而这一页需要下载模型，那一页是瞬时的。
为什么音频转写为文本按一秒半的静音分段？
因为这大致是说话人换一个想法的地方。更短的间隔落在句子内部，会把文字从从句中间劈开；更长的阈值又会把不同的话题并进同一段。四句上限处理的是完全没有静音的录音——排练过的旁白或一口气录完的播客——那里停顿永远不来，只按停顿分段会得到一整块。两条规则合起来，是能同时对付两端的最小集合。
机器生成的转录稿能当证据或正式记录吗？
照原样不能。它是机器的尽力猜测，而机器转写会把姓名、数字和术语弄错——恰恰是记录里最要紧的那几个词。在法律或医疗场景里，正确流程是把它当草稿，逐行对照音频核对，并在文件里写明这一点。一份比录音本身还干净的转录稿是一种负债，这也是这一页把文件命名为 .transcript.txt、而不叫会议纪要的原因。
录音里有音乐，或者几个人同时说话会怎样？
重叠说话是任何单流模型都会退化的地方：两个声音同时出现会变成一句连跑的话，而且不会产出说话人标记。背景音乐通常会被忽略，但压在人声下面的响音乐可能把词从文字里拽走，或凭空造出没说过的话。如果某几段读起来怪异，就回到音频对照那几处，而不是相信文字的流畅度——一句看起来自信的话，并不证明它被说过。
转录稿会保留文件本身的章节或轨道名吗？
不会。只有被转写的那段音频会进入产物；章节标记、轨道标题、语言标签这类容器元数据不属于正文。如果从多轨文件里转写其中一条，页面读取的是你拖入文件里的音频，段落来自停顿，而不是来自章节边界。想让章节边界体现出来，先把长录音切成几个章节文件再逐个转写，是合理的做法。