音频转文字使用语音识别模型把录音生成可编辑文本，支持文件转写和按界面能力进行实时录音识别。它适合会议、访谈、课程和语音备注的初稿整理，但不能保证逐字准确或区分所有说话者。
口音、多人重叠、背景音乐、专业术语和低质量麦克风都会降低准确率。识别文本应与音频校对，尤其是姓名、数字、否定词和责任性表述，重要记录还需要人工确认时间和说话人。
工具说明
使用步骤
选择清晰音频
优先使用人声靠前、噪声较低且音量稳定的文件。
启动转写
上传文件或授权实时录音，等待模型处理和进度完成。
校对并整理
回听关键位置，修正专有名词、数字、标点和段落。
支持范围与限制
- 模型
- 浏览器内运行的开源 Whisper，首次使用需要下载数十 MB 模型文件
- 语言
- 支持多语种识别，中英文效果较好；口音重、术语密集的素材准确率下降明显
- 耗时
- 与音频长度和设备性能成正比，通常明显慢于实时播放，移动端可能无法完成长素材
- 输出
- 纯文本转写稿。断句由模型给出，不含说话人分离
- 准确率边界
- 背景音乐、多人重叠说话、远场录音会显著降低准确率，结果需要人工校对
- 处理位置
- 模型从网络下载，音频本身在浏览器内推理，不上传
典型使用场景
制作会议初稿
快速获得可搜索文字，再由参会者校对结论与行动项。
整理访谈资料
把长录音转换为可检索内容，帮助定位主题和引用。
为访谈录音生成初稿
先自动转写出文字底稿，再人工校对，比从零听打节省大量时间。
使用前需要知道的事
- 自动转写不应直接作为法律、医疗或财务事实的唯一记录。
- 实时识别可能按时间片更新，网络、设备性能和浏览器权限会影响结果。
- 处理他人声音和敏感会议时应取得授权并遵守数据保留规则。
相关概念
- speech recognition
- 从声学信号推断词语和文本序列的过程。
- transcript
- 音频内容的文字记录，自动生成版本通常需要人工校对。