视频字幕生成器（语音转文字）
在浏览器中用 Whisper 本地识别视频或音频里的语音，生成带时间轴的 SRT、VTT 或纯文本字幕，全程无需上传任何文件。
视频字幕生成器（语音转文字） — 把视频里的说话声变成可以直接使用的字幕，全程无需上传任何文件。拖入 MP4、MOV、WebM、MKV 或音频文件，本工具会提取声音，在你的浏览器里直接运行 OpenAI 的 Whisper 语音识别模型，生成带时间轴的 SRT、WebVTT 或纯文本字幕，可随时编辑并下载。音频始终不会离开你的设备——只有开源的模型权重会从公共 CDN 首次下载一次——因此你的录音完全保密。
视频字幕生成器（语音转文字） 是什么？
一款免费、私密的视频字幕生成器，全程在浏览器中把语音转写成带时间轴的字幕。它用编译为 WebAssembly 的 ffmpeg 从视频中提取 16 kHz 音频，再运行多语言 Whisper 模型（可用时走 WebGPU，否则走 CPU）识别语音并将其排布到时间轴上。创作者、剪辑师、学生和无障碍团队用它为采访、讲座、教程和社交短视频生成字幕，支持包括中文、韩语、日语在内的 90 多种语言，并可导出供视频编辑器使用的 SRT、供网页使用的 WebVTT，或一份干净的文字稿。你可以通过模型大小在速度和准确度之间取舍，自动检测或手动指定语言，也可以选择把语音翻译成英文，然后在内置编辑器里修改任意一行，再下载。
如何使用 视频字幕生成器（语音转文字）
- 把视频或音频文件拖到拖放区，或点击选择文件。不会上传任何内容——文件只在本地读取。
- 选择模型：追求速度用 Tiny，兼顾平衡用 Small（推荐），追求最高准确度用 Turbo。模型越大，首次使用时下载的数据越多。
- 语言保持在自动检测，或指定所说语言以提高准确度。如果想把其他语言的语音转成英文字幕，请打开“翻译成英文”。
- 点击“生成字幕”。首次运行会下载一次模型（之后会缓存），随后在你的浏览器里提取并转写音频。
- 选择 SRT、VTT 或纯文本，编辑任意一行以修正文字，在视频上预览字幕，然后下载字幕文件。
示例
把韩语采访生成 SRT 字幕文件
拖入片段，模型保持 Small（想要更干净的韩语可用 Turbo），语言保持自动检测，即可导出带时间轴的 .srt，直接载入视频编辑器。
为网页视频制作 WebVTT 字幕
生成字幕后把格式切换为 VTT，下载 .vtt 文件，再用 <track> 元素挂到 HTML5 <video> 上，实现带无障碍的播放。
把日语讲座翻译成英文字幕
生成前打开“翻译成英文”，Whisper 就会输出与原始语音对齐时间的英文字幕——很适合把演讲分享给更广泛的观众。
常见问题
- 我的视频会上传到服务器吗？
- 不会。两个步骤都 100% 在你的浏览器中完成：ffmpeg（WebAssembly）提取音频，Whisper 在你的设备上转写。你的媒体文件绝不会离开电脑。唯一的网络请求，就是从公共 CDN 一次性下载开源模型权重。
- 支持哪些语言和格式？
- Whisper 是多语言模型，支持 90 多种语言并可自动检测，包括中文、英语、韩语、日语、西班牙语等。你可以导出 SRT、WebVTT 或纯文本文字稿，也可以把非英语语音翻译成英文字幕。
- 我该选哪个模型？
- Small 是推荐的默认选项，也是中文等 CJK 语言取得良好效果的实用下限。Tiny 最快最轻，但准确度较低；Turbo（large-v3-turbo）最准确，但需下载数百 MB，且在 WebGPU 下运行最佳。所有模型都只下载一次并被缓存。
- 为什么第一次运行很慢？
- 第一次使用某个模型时，它的权重会下载一次（Tiny/Small 为数十 MB，Turbo 更大），之后便会缓存供下次使用。转写本身在支持 WebGPU 的浏览器中会快得多；没有 GPU 时会回退到 CPU，较长的视频可能要等上一会儿。
- 字幕准确到可以直接发布吗？
- 自动生成的字幕是很好的初稿，但并不完美——它可能听错人名，或在音乐、静音处夹带多余文字。所以这里每一行都可以编辑：下载前请检查并修正文字稿，尤其是用于无障碍用途时。
- 有文件大小限制吗？
- 所有处理都在浏览器内存中进行，因此过大或过长的文件可能变慢或耗尽内存。超过约 500 MB 的文件会显示警告，超过 2 GB 的文件会被阻止。对于较长的录音，剪短片段或改用更小的模型会有帮助。