视频转文本 — 免费浏览器内转录

3.4 · 15 条评分

免费在你的浏览器中将视频转录为文本，无需注册。支持 MP4、MKV、MOV、WebM。下载为 SRT、VTT 或 TXT。

视频转文本

拖放视频文件以转录。

支持的格式: MP4, WEBM, M4V, MOV, MKV

由 Whisper AI 驱动 — 完全在你的设备上运行。

一次性下载 的选定质量 — 之后即时使用。

本地模型 — 导出前请审核和编辑；准确度可能不如付费云服务。

了解更多
SubtitleKit mascot

工作原理

  1. 1拖放一个音频或视频文件 — 所有数据都保留在你的设备上。
  2. 2选择语言，或让自动检测来处理。
  3. 3你的浏览器使用 Whisper AI 在本地进行转录——首次运行会下载一个针对你设备优化的一次性模型。
  4. 4检查、编辑，然后下载为 SRT、VTT 或纯文本格式。

完全在你的浏览器中运行。

视频转文字 — 100% 在浏览器中完成

SubtitleKit 的视频转文本工具使用 Whisper AI 直接在你的浏览器中转录你的视频文件。无需注册，无需安装。拖入最大 2 GB 的文件，转录文本会立即开始在屏幕上生成，可以导出为纯文本、SRT 或网络播放器的 VTT 文件。

视频转文字转录的工作原理

该工具将 Whisper AI 语音模型加载到你的浏览器中，从视频中解码音轨，并自动将其转录为带时间码的文本——全部在你自己的设备上完成。语音活动检测器会在自然语音停顿处保留换行符，没有任何数据发送到服务器，所以整个转换过程在模型加载后完全离线运行。

如何将视频转换为文本

  • 拖入你的视频：拖入 MP4、MKV、MOV 或 WebM 文件（最大 2 GB），或点击浏览。
  • 选择语言——选择所说的语言，或让自动检测从语音的前几秒钟识别。
  • 让它转录（浏览器使用 Whisper AI 在设备上将语音转换为文本；一次性模型下载（约 24-291 MB，根据你的设备调整），页面上的选择器会显示确切大小）在首次运行时进行，然后文本会实时生成。
  • 导出文本——下载干净的纯文本转录，或保留时间码并导出为 SRT、VTT 或其他 10 种字幕格式中的任何一种。

谁在使用此工具

内容创作者和视频博主

将你最新的视频转换为博客文章、节目笔记和字幕的转录文本——让观众能够跟随内容，搜索引擎也能索引你说的每一个词。

无障碍和字幕

生成准确的带时间戳的字幕，让聋人、听力困难的观众以及在静音状态下观看的任何人都能使用你的视频。

研究人员和记者

将采访和录音转录为可搜索、可引用的文本。

教育工作者和学生

将讲座和教程转换为笔记、学习指南和可引用的参考资料——几秒钟内就能查看，而不是重新观看数小时的视频。

会议和商务

从录制的通话和演示中生成书面记录，同时将机密讨论完全保留在你自己的设备上。

语言学习者

获取任何视频的书面文字稿，这样你就可以按自己的节奏阅读、暂停和学习所说的语言。

常见问题

视频转文字工具真的免费吗？

是的。该工具完全免费，无需注册、无水印、无使用限制。它完全在你的浏览器中运行。

我的视频会被上传到任何地方吗？

不会。你的视频 100% 在你自己的设备上处理。音频永远不会离开你的计算机，也不会发送到任何服务器。

支持哪些视频和音频格式？

它支持 MP4、MKV、MOV、WebM 和 M4V 视频，以及 MP3、WAV、M4A、AAC、OGG、Opus 和 FLAC 音频——文件最大 2 GB。可导出为纯文本、SRT、VTT 或其他 10 种格式中的任何一种。

它能自动转录视频而无需我进行任何更正吗？

大多数情况下可以——清晰的语音转录准确度很高，幻觉过滤器会移除语音 AI 在静音或音乐上可能产生的垃圾行。快速浏览一下名字和专业术语仍然值得做。

我能从视频生成 VTT 文件吗？

可以。同一个转录可以直接导出为 VTT（WebVTT）文件供 HTML5 播放器使用——或导出为 SRT、纯文本和其他 7 种字幕格式。

我能在转录中标记谁在说话吗？

可以。转录后，打开说话人开关，点击某行的说话人标签（或按 Tab 到它）并按 1-9 标记其说话人，然后将说话人 1 或说话人 2 重命名为真实名字。SRT 和大多数格式在说话人改变时会获得 Name: 前缀，VTT 获得正确的语音标签，纯文本将每个说话人的轮次分组为一个段落。

获得更好转录的提示

从原始文件开始——转录源视频比转录重新压缩的副本效果更好；音质模糊或重新编码的音频会降低准确性。

当你知道所说的语言时，明确设置语言——自动检测效果不错，但手动选择可以完全避免错误的语言转录。

长视频没问题——最大 2 GB 的文件可以在本地转录，在支持 WebGPU 的台式机上通常比实时速度更快。

导出前快速浏览——点击任何一行可以重放视频音频的那一刻，修正模型遗漏的名字或术语。