为视频或录音生成字幕
采访、讲座、客户通话、产品演示:最需要字幕的录音,往往正是最不该发给转录服务的那些。这里的语音模型就在这个标签页里运行,文件不会离开你的电脑。
- 完全在你的浏览器里运行
- 断网也能用
- 不上传
- 不用注册
- 没有水印
正在加载工具……
工作原理
- 拖入视频或音频文件。语言保持“自动识别”即可;识别错了再手动选择。
- 点击“生成字幕”。第一次使用时会下载一次语音模型(根据你的电脑,240 MB 或 540 MB),然后逐段转写录音。
- 一边看视频一边修改文字和时间,然后下载 .srt 或 .vtt,或者生成一个压制了字幕的 MP4。
为什么什么都不用上传
这个页面上的每一步操作,都由运行在你浏览器标签页里的代码完成,用的就是渲染网页的那套引擎。文件从磁盘读进标签页的内存,在那里被处理,再作为下载写回去。它不会被送到任何地方 —— 不会送给我们,也不会送给第三方。
自己动手验证
- 打开浏览器的开发者工具(F12),选择“网络”(Network)面板。
- 载入你的文件,运行这个工具。
- 你能看到的请求只有这些:工具自己的代码 —— 少数几个重型工具还会取它们的开源引擎(同样来自本站)或来自 Hugging Face 的 AI 模型 —— 外加一条发往 loreatec.jp 的小小访问记录(页面地址和标题,仅此而已)。没有一条带着你的文件。
常见问题
准确度如何?
说话清楚、同一时间只有一个人说话时,大部分字词都能识别正确,但请把结果当作草稿。有背景音乐、多人同时说话、口音很重、专业术语多或麦克风较差时,准确度会下降。请检查人名、数字和专业术语,并对照视频通读一遍。在音乐或静音处,模型有时会写出没人说过的句子,请删掉。时间可能会有不到一秒的偏差。
用的是什么模型?为什么下载这么大?
用的是 OpenAI Whisper(MIT 许可证),采用 Hugging Face 上发布的版本。如果浏览器支持 WebGPU,就用 large-v3 turbo(约 540 MB),在显卡上运行,并给每个词标注时间。否则用 Whisper small(约 240 MB),在处理器上运行:速度更慢、准确度更低,时间按短语而不是按词标注。两者都只下载一次并保存在浏览器里;本站的本地 AI 页面用的是同样的文件,所以不会重复下载。
我的录音会被上传吗?
不会。声音的解码、转写和字幕生成都在这个浏览器标签页里完成。唯一需要下载的是模型本身,以及某些格式下本站提供的视频引擎。你可以自己验证:模型加载完成后,开启飞行模式,工具照样能用。
字幕是怎么分行的?
每条字幕最多两行,每行约 42 个字符(中文和日文约 16 个字),在屏幕上显示 1 到 7 秒。在句末、停顿和逗号处断开,并尽量避免在冠词或介词后断行。每条字幕都可以修改、与下一条合并或删除,时间也可以手动调整。
SRT、VTT 还是压制进视频?
SRT 几乎到处都能用:YouTube、Vimeo、视频剪辑软件、VLC。VTT 是网页(<track> 元素)和部分平台使用的格式。压制是把文字直接画到画面上,适用于不能加载字幕文件的地方;它会在浏览器里把整段视频重新编码为 H.264 MP4,需要一些时间,而且之后无法再关闭字幕。
需要多长时间?
取决于电脑。在一台使用集成显卡的普通笔记本上,用时约为录音时长的 1 到 1.5 倍;只用处理器时约为两倍。有独立显卡会更快。录音按 30 秒一段转写,进度条会显示正在处理哪一段,你可以随时停止。