录音留在你的电脑上

没有上传这一步。文件在浏览器标签页里读取、转写，文字直接进编辑器。采访、病历口述、客户电话都不会离开这台设备。

用「录音」按钮录下的声音只在内存里，关掉标签页就没了。转写出来的文字会存在浏览器里，刷新页面不会丢。

边听边改

每一行开头有一个小的时间标签，点一下就从那一句开始播放原音频，核对一个人名或数字只要点一下。播放时，正在说的那一行会在编辑器里标出来。

像改普通文档一样改文字。时间跟着各自的行走，之后下载的 SRT 和 VTT 文件既带着你的修改，也保留原来的时间。

快速还是精准

默认是「快速」。英文用一个只做英文的引擎，它按每一段的实际长度计算，不会把每段都补到 30 秒，所以短录音很快就出来；其他语言用一个小巧的多语言引擎。

「精准」用更大的多语言引擎，首次下载也更大。我们在一台笔记本上只用处理器测试，一段 22 秒的英文录音，「快速」约 1 秒，「精准」约 13 秒，两种都把人名、日期和金额识别对了。某个名字或口音在「快速」里总是出错时，先换「精准」再手动改。

安静的地方不会冒出字

语音引擎容易在没人说话的地方编出文字。我们测过一段 32 秒的风声和车流声，结果出来一句「Thank you.」。所以长时间的静音从不送进引擎；「Thank you」「Thanks for watching」这类短句，只有在底下的声音不像说话时才会删掉。演讲结尾真说的「谢谢」会保留。

可以下载什么

TXT 是纯段落：句子连在一起，停顿 1.5 秒以上就另起一段。SRT 和 VTT 是字幕文件，每条最多两行，每行最多 42 个字符（中文和日文每行 18 个字），可直接用于 YouTube、Premiere、达芬奇和剪映。Word（DOCX）能用 Word、Pages 和 Google 文档打开。

想听这段文字被读出来，在下载菜单里选「朗读」。它会打开 TextToSpeech.tools，转写稿已经填好。

限制

一个文件最长 3 小时。按 16 kHz 单声道算，一小时音频约占 115 MB 内存，所以手机上的超长文件可能没转完就内存不足。遇到这种情况，把文件分成几段分别转写。

视频文件只要浏览器能解码它的音轨就能转。最常见的是带 AAC 音频的 MP4、MOV，以及带 Opus 的 WebM 和 MKV。没有音轨的文件会给出明确提示，不会得到一份空白转写稿。