如何在线把语音转成文字并翻译
- 选择模型大小（默认 Base），首次使用会下载一次模型并缓存在浏览器。
- 点击大麦克风按钮开始说话，每句话停顿一下，文字会自动出现；也可以上传 MP3、WAV、M4A 等录音文件。
- 在文本框里直接修改识别结果，一键复制或下载 TXT；内容会自动保存到本浏览器的历史记录。
- 勾选目标语言后点「翻译」，同时得到多种语言译文，或点「在翻译工具中打开」继续精细翻译。
模型大小与适用场景
| 模型 | 首次下载 | 特点 |
|---|---|---|
| Whisper Tiny | 42 MB | 最快 · 适合短句 |
| Whisper Base | 76 MB | 推荐 · 速度与准确度平衡 |
| Whisper Small | 240 MB | 最准 · 需较好电脑 |
常见问题
录音会上传到服务器吗？
不会。麦克风声音和上传的音频文件只在你当前的浏览器标签页里解码，并由 Whisper 模型在本地转写。首次使用时，浏览器会从 Hugging Face 下载固定版本的模型文件（只下载模型，不发送任何音频），之后从浏览器缓存读取。
三个模型有什么区别，要下载多大？
Tiny 约 42 MB，速度最快，适合短句；Base 约 76 MB，是推荐的默认选项；Small 约 240 MB，准确度最高，但需要较好的电脑或支持 WebGPU 的浏览器。模型只需下载一次，可随时在页面里删除缓存。
支持哪些语言？能自动识别吗？
Whisper 多语言模型支持约 99 种语言，包括普通话、粤语、英语、日语、韩语、西班牙语、法语、德语、俄语、阿拉伯语等。默认自动识别说话语言；中文可指定简体或繁体输出，口音较重或中英混说时建议手动选择语言。
为什么要停顿一下才出文字？
为了在浏览器里稳定运行，工具会在你停顿时把这一句交给模型转写，所以文字是一句一句出现的，通常在停顿后 1–3 秒内显示。连续说话超过约 24 秒也会自动切段。
翻译是在本地完成的吗？
如果你的 Chrome 支持内置翻译（Translator API，桌面版 Chrome 138 及以上），翻译在本机完成。不支持时，在你点击「翻译」后，只把文字（不是音频）发送到本站，再由 Google Cloud Translation 翻译；你可以取消勾选「允许使用本站翻译服务」来关闭这一路径。
哪些浏览器可以用？
推荐桌面版 Chrome 或 Edge（支持 WebGPU，速度快）。Firefox、Safari 和手机浏览器会使用 WebAssembly（CPU）运行，同样可用但较慢，建议选 Tiny 或 Base。需要允许麦克风权限；在 iPhone 上请使用 Safari 并保持页面在前台。
转写结果准确吗？可以用于会议记录吗？
语音清晰、环境安静时，Base 和 Small 对普通话与英语的识别通常可以直接使用，但专有名词、型号、数字和人名可能出错。本工具适合临时记录、口述草稿和随手翻译，正式文件请人工核对。
历史记录保存在哪里？
只保存在当前浏览器的 localStorage（最多 30 条），不会同步到服务器。清除浏览器数据或点击「清空历史」即可删除。