本地语音识别 · 无需账号
从语音生成带时间轴的字幕草稿。
将短音频或视频转成 SRT/VTT。语音识别在本机运行，发布前请逐条校对文字和时间。
最多 50 MB / 5 分钟，支持浏览器可解码的 WAV、MP3 或 MP4/AAC。不读取 YouTube 链接、不提取内嵌字幕轨或画面文字。
首次运行会从 Hugging Face 下载语音模型，从本站或 jsDelivr 下载运行文件（数十 MB）。音频在本机处理，可能耗时数分钟并占用内存和处理器，请保持标签页打开。
音频、逐字稿和文件名不会发送给 DoneCove 或模型托管方。下载模型时，托管方会接收正常网络请求信息。浏览器可能缓存模型文件，匿名工具统计不含录音内容。
选择录音后开始。
校对生成的草稿
识别可能漏词、重复，或把静音误识别成文字，时间轴也可能有误。使用前请对照原音校对。
如需逐条可视化编辑，下载 SRT 后在字幕编辑器中打开。 字幕编辑器
从录音到校对后的文字
- 选择最多 50 MB、5 分钟的片段，指定说话语言。
- 开始识别，生成文字与估算时间轴，首次需下载模型。
- 校对 SRT 草稿，导出 SRT 或 VTT 后配合视频预览，不会把字幕烧录进画面。
本地识别准确吗？
使用 Transformers.js 运行 Whisper tiny。语言、口音、噪声和录音质量都会影响结果，小模型侧重较轻下载量，不承诺人工级准确率。
能处理长录音或粘贴 YouTube 链接吗？
当前版本处理本地 5 分钟、50 MB 内片段，更长素材需先分段。不提供 YouTube 链接读取、OCR、字幕轨提取或配音。
模型下载失败或浏览器无法读取文件怎么办？
会显示错误，不会把失败说成转录完成。可在稳定网络和桌面浏览器重试短 WAV；取消会停止识别进程。