语音转文字指南

把音频转成带时间戳的文字，全部在你的浏览器本地完成，音频不会上传。入口：https://lab.stsqz.com/transcribe。

支持的格式

常见音频格式都可以（mp3、wav、m4a、ogg 等），超过五分钟的音频默认只取前五分钟，建议先在音视频处理工具里裁剪。

选择模型档位

三个档位都基于 Whisper 系列模型，只需下载一次，之后缓存在浏览器里离线可用。换档位会下载对应模型，旧档位缓存保留、随时切回。

转写过程会发生什么

上传后引擎把音频切成约 30 秒的段落逐段识别，页面实时显示进度。识别完成后结果按时间段分段展示，每一段都带起止时间戳。语言可以手动指定——音频是中文就选中文，让引擎不必先猜语种，又快又准。

导出

• 直接复制 - 全文一键复制，贴到哪里都能用
• SRT 字幕 - 导出标准 SRT 文件，时间轴已对齐，直接丢进剪辑软件或播放器加载

配合音视频处理工具可以完成完整字幕流程：转写导出 SRT，再用字幕烧录把字幕压进视频。

常见问题

识别不准怎么办

• 换用更高档位的模型
• 保证音源清晰，背景音乐过重会影响效果
• 中文普通话效果最好，其他语言先试 tiny 档确认可用

卡在加载

首次使用要下载模型，几百 MB 的档位在慢网络下需要几分钟；页面会显示进度，别关。下载只此一次。