语音转文字：在浏览器里用 Whisper 识别录音，音频不上传

客户发来一段 WhatsApp 语音、展会上录了一段口述需求、电话会议想留个文字记录——这时需要的是“把这段话变成能编辑、能翻译的文字”。语音转文字在浏览器里运行 OpenAI 开源的 Whisper 模型：可以直接录音，也可以拖入音频文件，音频不会上传，识别结果可以编辑、复制，或一次翻译成多种语言。

下面是我们用两段测试录音的实测结果，包括它做得好的地方和需要人工校对的地方。

怎么用

1. 点“开始录音”直接说话，或把 MP3 / WAV / M4A / WebM / OGG 文件拖进来（最长 60 分钟）。快捷键 Alt + R 开始 / 停止。
2. 选模型：Tiny（42 MB，最快）、Base（76 MB，推荐）、Small（240 MB，最准，需要较好的电脑）。首次使用会从 Hugging Face 下载固定版本的模型文件并缓存在本机。
3. 说话语言可以自动检测，也可以手动指定；中文、英语、日语、西班牙语、德语等都在列表里。
4. 计算方式默认“自动（优先 WebGPU）”，没有显卡加速时用 WebAssembly（CPU）。

实测一：英语录音，Base 模型

我们用开源语音合成生成了一段虚构的英语询价留言，在 Base 模型、WebAssembly（CPU）下识别：

识别结果与原稿几乎一致，数量、规格、城市和月份都正确，只有“DN12”被写成了“Dn12”。

实测二：中文录音，Small 模型

同样内容的中文留言，换成更大的 Small 模型：

数字“两百”“12”“3 月底”和“汉堡”识别正确，但同音字错误不少：“询价”成了“寻加”，“液压软管”成了“业压软管”，“交货期”成了“叫货欺”，“付款方式”成了“负款方式”，“接头”成了“借头”，公司名“示例设备”成了“失利设备”，句子之间也没有标点。

需要说明：这两段录音是合成语音，不是真人说话；真实录音的效果会因口音、噪音和麦克风而不同。但结论是明确的——中文专业术语一定要人工校对，尤其是产品名称、规格、数量和交期。

识别之后：编辑、翻译、交给其他工具

• 结果框可以直接修改，然后复制或下载 TXT。
• “翻译成多种语言”可以一次勾选多个目标语言。浏览器支持时用 Chrome 内置的本机翻译；否则在你点“翻译”后，只把文字（不含音频）发送到迅龙的 Google 翻译服务。
• 需要更长的文本或 HTML 翻译，点“在完整翻译工具中打开”进入文本翻译；翻译工具里也有“语音输入”入口。
• 客户的语音询盘转成文字后，可以交给询盘分析判断需求，或用询盘回复助手起草回复。
• 历史记录只保存在当前浏览器。

隐私

录音和音频文件只在页面里处理，由浏览器内的 Whisper（OpenAI，MIT 许可，ONNX 版本）识别，不会上传。模型来源可参考 OpenAI Whisper 项目。

常见问题

语音会上传到服务器吗？

不会。识别在你的浏览器里完成，音频不离开设备。只有在你点“翻译”且浏览器无法本机翻译时，才会把文字发送给迅龙的翻译服务。

选哪个模型？

短句用 Tiny，日常推荐 Base；对准确率要求高、电脑性能较好时用 Small。首次使用需要下载模型，之后会缓存在本机。

中文识别为什么有错别字？

Whisper 对同音字和行业术语容易出错，我们的测试里 Small 模型也把“液压”写成了“业压”。导出前请人工校对产品名、规格、数量和交期。

支持多长的音频？

单个文件最长 60 分钟，支持 MP3、WAV、M4A、WebM 和 OGG。长音频在 CPU 上会比较慢。

本文由 AI 辅助整理，截图为 2026 年 11 月 10 日在线工具的实测结果。测试录音为合成语音、内容为虚构；识别效果因录音而异，功能以工具页面为准。