视频转文字，在浏览器里就能转
采访、口播、录屏，拖进来就出文字稿。支持 MP4、MOV、WebM 和常见音频格式，Whisper 就在这个页面里转写，自带时间码，可以直接复制，也能下载 TXT 或 SRT、VTT 字幕。免费，文件不上传。
文件只在这个浏览器标签页里处理，不会传到任何服务器。第一次用会从 Hugging Face 下载 AI 模型并缓存下来，之后打开更快，断网也能用。
三步出文字稿
- 把视频或音频拖进框里，或者点击选文件。不会有上传进度条，因为压根不上传。
- 语言默认“自动检测”，知道是什么语言就直接选上。Whisper Base 最快；录音嘈杂或者有口音，多下点模型换 Whisper Small 更划算。
- 文字每 30 秒出一段，边转边看。
- 复制文字，或者下载：纯文本 TXT；SRT 可以导进 YouTube、Premiere Pro、达芬奇；网页播放器用 WebVTT。
免费转文字，素材不出本机
在线转写服务的做法是：视频先传到服务器，在那边识别，再把文字发回来。这个页面把整个过程放在浏览器里：用浏览器自带的解码器读出音轨，转成 16 kHz 单声道，再用 Transformers.js 跑 OpenAI Whisper。浏览器支持 WebGPU 就用显卡，不支持就用 CPU。
还没发布的采访、客户电话录音、取证材料，或者任何不想交给第三方的内容，用这种方式最放心。想验证也简单：模型下载好以后关掉 Wi-Fi，再转一个文件试试。
TXT、SRT、VTT 怎么选
- TXT：拿来看、摘金句、写视频简介或文章，或者丢给 AI 助手。勾上“TXT 带时间码”，每行前面会有 [m:ss] 标记，回头找原片位置很方便。
- SRT：做字幕用。YouTube、Vimeo、Premiere Pro、Final Cut Pro、达芬奇都能直接导入。想要对着画面逐条改的短字幕，或者要把字幕压进视频里，用字幕生成器。
- VTT（WebVTT）：给网页用，HTML5 的
<track>和大多数网页播放器都认它。
想转得更准，注意这几点
- 片子很短或者开头是音乐，就手动选语言，自动检测只听开头那几秒。
- 现场嘈杂的采访、口音重、行业术语多，都换 Whisper Small。
- 长段静音会被直接跳过，因为 Whisper 碰到静音经常凭空冒出一句“Thank you.”。
- 文件格式打不开的话，先在剪辑软件里把音频导成 MP3 或 WAV 再拖进来。
这些情况，换桌面版更省事
这个页面一次转一个文件，拿来读稿足够了。可真正头疼的往往是下一步：手里几百段采访、Vlog、空镜，要找某人说某句话的那一段，一份份翻文字稿根本翻不过来。
Reelary 桌面版会在后台把素材库里每个视频都转成文字，全程在你自己的电脑上，转完全部能搜。输入那句台词，哪怕只记得大概意思，或者换了一种语言，也能直接跳到对应片段的那一秒。同一个搜索框还能按画面找镜头，搜到的直接拖上时间线。详细介绍：在素材里搜索说过的话（英文）。
桌面版会把你所有的视频都转成文字，谁在哪条素材里说过什么，一搜就有。 Reelary 免费下载，Mac 和 Windows 都能用，建库和搜索不限文件数。
常见问题
真的免费吗？
真的免费。不用注册，没有水印，也不按分钟计费，因为转写是你自己的电脑在干活，不占我们的服务器。单个文件最大 1 GB、最长 30 分钟。
视频会被传到服务器吗？
不会。浏览器直接读取本机文件里的音轨，Whisper 模型就在这个标签页里跑。唯一要下载的是模型，从 Hugging Face 下一次，之后浏览器会缓存。
识别得准吗？
用的是 OpenAI 开源的 Whisper，不少付费转写服务背后也是它。Whisper Base 快，适合吐字清楚的人声；有口音、背景吵或者术语多，就换 Whisper Small。人名地名、几个人抢着说话最容易出错，发出去之前最好过一遍。
MP4 怎么转成文字？
把 MP4 拖进上面的框里就行。工具会抽出音频，每 30 秒转一段，边转边出字。转完可以直接复制，也可以下载 TXT，或者带时间码的 SRT、VTT 字幕。
能识别哪些语言？
Whisper 支持 99 种语言，能自动判断说的是哪种。手动选好语言会快一点，短片段也不容易认错。出来的是原语言文字，不做翻译。
为什么我这边转得很慢？
快慢看电脑配置。Chrome 或 Edge 支持 WebGPU 时，模型跑在显卡上，一般比视频本身播放还快；不支持就只能用 CPU，花的时间可能和视频一样长。关掉其他吃资源的标签页，并且别把这个页面切到后台。
能直接贴 YouTube 链接转吗？
不能贴链接。这里只处理你电脑上的文件，比如自己录的音视频、相机导出的素材，或者你有权使用的下载文件。
更多免费工具
发布于 2026年10月10日 · 用到了哪些模型