选择音频文件
EarScribe 在浏览器里解码 MP3、WAV、M4A、OGG、FLAC 和 WebM，再把 16 kHz 单声道音频交给 Whisper。
Whisper 在线
免费在线使用 OpenAI Whisper 语音转文字
EarScribe 借助 Transformers.js 和 ONNX Runtime Web，直接在浏览器标签页里运行 OpenAI 开源的 Whisper 模型。选好模型和音频文件，就能得到 Whisper 带时间戳的转写结果，不用装 Python，也不用为 API 付费。
- 无需 API Key、Python 或安装
- Tiny、Base、Small、Large v3 Turbo 任选
- 支持 WebGPU，没有时自动改用 CPU
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
在浏览器里免费使用 Whisper
选择 Whisper 模型
大多数录音推荐 Base。也可以对比四个模型，在下载体积、速度和准确率之间取舍。
核对 Whisper 的结果
每一段都带有 Whisper 给出的时间戳，可以回听、修改，并导出 TXT、SRT、VTT 或 JSON。
whisper 在线
该选哪个 Whisper 模型，能期待什么
Whisper 是 OpenAI 在 2022 年开源的一系列语音识别模型，用 68 万小时的多语言音频训练。模型大小是最主要的取舍：越大越准，运行也越吃力。
EarScribe 里的四个模型
Tiny（3900 万参数）最快、下载最小，适合手机和快速出草稿。Base（7400 万参数）是清晰人声的推荐选择。Small（2.44 亿参数）更能应付口音和噪音，但需要更多内存，最好有 WebGPU。
Large v3 Turbo（8.09 亿参数）是 Whisper 最大模型的提速版，解码器从 32 层缩减到 4 层。它是这里最准的选项，需要性能较好的设备，建议有约 6 GB 内存和 WebGPU。
WebGPU 还是 WebAssembly
浏览器支持 WebGPU 时，模型在显卡上运行，大模型会快很多；不支持时，EarScribe 改用 CPU 上的 WebAssembly，几乎哪里都能跑，只是更慢。
较新版本的 Chrome 和 Edge 已支持 WebGPU，其他浏览器也在陆续跟进。如果 Small 或 Large v3 Turbo 感觉很慢，通常是走了 CPU。
Whisper 不擅长的地方
在静音或音乐段，Whisper 可能生成看似合理的文字、重复某句话，或在多人抢话时漏词。它也不会标注说话人。
时间戳是按段落给出的，不是逐字。发布前，用它们跳回原音频核对重要内容。
导出前先核对文字和时间戳
怎么选模型
- 1
手机或旧电脑
从 Tiny 或 Base 开始。
- 2
人声清晰
Base 通常就够。
- 3
口音或噪音
在 4 GB 以上内存的设备上试试 Small。
- 4
追求最高准确率
Large v3 Turbo，搭配 WebGPU 和 6 GB 以上内存。
浏览器里运行 Whisper 做不到的事
- 速度完全取决于你的设备，没有服务器替你处理长文件。
- 不支持实时流式转写、翻译和说话人标注。
用好 Whisper 的几个要点
Whisper 根据前 30 秒判断语言，文件开头最好是人声，而不是很长的片头音乐。
静音和音乐可能让 Whisper 凭空生成短句，剪掉长静音，并检查文字稿的开头和结尾。
大模型主要在口音、噪音和专业词汇上更有优势；清晰人声用 Base 往往就够了。
常见问题
这是真正的 OpenAI Whisper 吗？
是的。EarScribe 使用 onnx-community 在 Hugging Face 上发布的 ONNX 版 Whisper 权重，通过 Transformers.js 运行。模型相同，只是运行环境不同。
可以用哪些 Whisper 模型？
Tiny、Base、Small 和 Large v3 Turbo。开始前，模型选择器会显示每个模型的下载大小和内存建议。
和 OpenAI API 有什么区别？
API 需要把文件上传到 OpenAI、要有 API Key，并按音频时长计费。这里模型在你的设备上运行，没有 Key 也没有费用，但速度取决于你的硬件。
为什么第一次比较慢？
浏览器第一次要下载模型并缓存，之后在同一台设备和浏览器上启动会快很多。