先看文件大小
一小时 CD 音质的立体声 WAV 约 635 MB，超过 1 GB 的文件会被拒绝。长录音请先拆分，或导出一份单声道副本。
WAV 转文字工具
免费 WAV 转文字：大文件不用上传
录音笔、音频工作站和 Audacity 导出的通常是 WAV：不压缩，体积很大。EarScribe 在你自己的设备上读取 WAV，大文件不必上传，直接生成可以核对和导出的带时间戳文字。
- 大 WAV 文件留在本机
- 每段文字都能按时间戳回听
- 导出 TXT、SRT、VTT 或 JSON
拖入音频文件，或点击浏览
MP3、WAV、M4A、OGG、FLAC、WebM；可处理长度取决于设备内存
导出前先核对文字和时间戳
免费转写 WAV 录音的步骤
选适合设备的模型
大多数录音用均衡模型即可。内存紧张时用 Tiny，大模型需要更多内存。
核对并导出
从时间戳回听没把握的句子，改正后导出需要的格式。
wav转文字
为什么 WAV 文件和别的格式不一样
WAV 通常是不压缩的 PCM 音频，解码容易，但很占内存。真正要提前规划的是文件大小，转写本身反而是简单的部分。
体积随采样率、位深和声道增长
CD 音质的立体声 WAV（16-bit、44.1 kHz）每分钟约 10.6 MB，24-bit、48 kHz 立体声每分钟约 17.3 MB，大约一小时就会达到 EarScribe 1 GB 的文件上限。16 kHz、16-bit 单声道 WAV 每分钟不到 2 MB，语音识别需要的信息一点不少。
EarScribe 会在浏览器里解码整个文件，并转成 16 kHz 单声道交给 Whisper。文件不上传，但浏览器要同时存放原文件和解码后的音频，所以长时间的高规格 WAV 在手机上容易失败。
什么时候先导出一个小副本
录音超过一小时，或者是 24-bit、48 kHz 立体声时，先在剪辑软件里导出 16 kHz 单声道 WAV 或高质量 MP3 再转写。模型用得到的信息不会损失。
原始 WAV 留作剪辑和归档的母版。只要副本的起点相同，文字稿的时间戳就和原文件对得上。
声道和多轨录音
识别前两个声道会合成一个。如果两个人分别录在左右声道，文字稿仍然是一段连续对话，不会标注说话人。
分轨录制的播客或采访，写节目笔记时转写最终混音即可；需要准确区分谁说了什么时，再逐个音轨单独转写。
导出前先核对文字和时间戳
WAV 转写清单
- 1
时长
在手机和低内存电脑上，超过一小时的录音先拆分。
- 2
编码
使用标准 16-bit 或 24-bit PCM WAV，压缩变体先转换。
- 3
工作副本
原文件太大时转写 16 kHz 单声道副本，原文件保留。
- 4
核对
导出前回听人名、数字和专业术语。
需要注意的限制
- 超过 1 GB 的文件会被拒绝，实际上限取决于设备内存，没有服务器替你处理。
- EarScribe 不区分说话人或音轨，多轨录音需要先混音，或每轨导出一个文件。
哪些 WAV 参数有用，哪些没用
高于 16 kHz 的采样率和 24-bit 位深不会让 Whisper 更准，识别前音频都会转成 16 kHz 单声道。
人声用单声道就够了。立体声的两个声道会在转写前合成一个声道。
麦克风摆位和安静的环境，比更高规格的文件更能提升效果。
常见问题
WAV 转文字比 MP3 更准吗？
通常差别不大。Whisper 处理的是 16 kHz 单声道音频，清晰人声的高质量 MP3 识别效果差不多。WAV 主要在嘈杂录音不宜再压缩时更有优势。
多大的 WAV 可以转文字？
EarScribe 接受 1 GB 以内的文件，真正的上限是设备内存。浏览器要同时保存原文件和解码后的音频，一小时的立体声 WAV 可能需要超过 1 GB 内存。更长的录音请拆分，或导出 16 kHz 单声道副本。
为什么 WAV 文件打不开？
标准 PCM 格式的 WAV 主流浏览器都能打开。有些录音设备和电话系统会在 WAV 里存放 ADPCM 等压缩编码，请先转成 16-bit PCM WAV 或 MP3。
多轨录音能直接转写吗？
请先导出一个混音后的 WAV；如果需要准确知道谁说了什么，就每个音轨单独导出一个文件。EarScribe 每次处理一个文件。