在浏览器中进行语音识别
本工具使用开源语音识别模型 Whisper 将 MP3 转换为文字。大多数在线转写服务会把你的音频上传到服务器,而在这里,模型只需下载到浏览器一次,之后就在你自己的电脑或手机上运行。你的录音不会离开设备,非常适合访谈、医疗或法律记录、会议以及个人语音消息。首次下载后,模型会由浏览器保存,下次加载更快。
语言与准确率
这里的 Whisper 支持 23 种语言,包括英语、西班牙语、法语、德语、意大利语、葡萄牙语、俄语、中文、日语、韩语、土耳其语和波兰语。语音清晰、背景噪音小时,准确率最高。以下情况准确率会下降:
- 多人同时说话;
- 背景音乐或噪音很大;
- 说话声音很小或距离很远;
- 不常见的人名和专业术语;
- 一句话中混用多种语言。
相比自动检测,自己选择语言通常效果更好,对较短的录音尤其如此。
输出格式
| 格式 | 内容 | 用途 |
|---|---|---|
| TXT | 纯文本 | 笔记、文档、引用 |
| SRT | 带编号和起止时间的字幕 | 视频剪辑软件、YouTube、大多数播放器 |
| VTT | 带时间的网页字幕 | HTML5 视频播放器、网页 |
速度与长录音
转写对计算机来说是一项繁重的任务。在较新的笔记本电脑上,一小时的录音可能需要几分钟,也可能比录音时长还久,具体取决于处理器、模型大小和浏览器。手机会更慢。转写期间请保持标签页打开。对于特别长的文件,也可以先用音频分割把录音切成几段,再逐段转写。
获得更好转写结果的小技巧
模型每次听取约 30 秒的短片段,并写出听到的内容及起止时间。它会自动添加标点和大写字母,但无法识别是谁在说话,所以访谈中的说话人需要你自己标注。长时间的静音和没有人声的音乐会被跳过或留空。如果录音开头是音乐,前几行文字可能比你预期的出现得晚,这是正常现象。
- 转写前,先用降噪清理有噪音的录音。
- 如果说话声音较小,请先用音量标准化提高音量。
- 制作字幕时,请在视频播放器中检查时间轴。如果某条字幕太长不便阅读,可以在文本编辑器中把它拆开;SRT 和 VTT 都是纯文本文件。
- 务必通读一遍转写结果,更正模型可能听错的人名、数字和词语。
视频文件同样适用:拖入 MP4,工具就会转写其中的音轨,为自己的视频制作字幕非常方便。