简短的回答
音频到文本转录可识别录音中的口语单词并附加时间戳。将音频或视频上传到 AI Free Audio to Video，更正脚本，然后复制或导出 TXT、JSON 和 SRT，而无需渲染视频。
支持的格式
上传 MP3、WAV、M4A、AAC、FLAC、OGG、MP4、MOV、WebM 或 MKV。将纯文本导出为 TXT，将结构化行导出为 JSON，或将定时字幕导出为 SRT。
使用步骤
1. 上传录音
选择包含声音的本地音频或视频文件。对于视频，该工具会在识别之前提取音轨。它不读取视频帧中打印的文字。
2. 选择口语
选择支持的语言或自动检测。服务器运行开源 Whisper 模型来识别语音并估计单词时间。清晰的语音通常比唱歌或重叠的声音需要更少的纠正。
3. 更正并下载文字记录
在结果编辑器中查看名称、标点符号和行时间。下载 TXT、JSON 或 SRT 之前保存更改。 SRT包含计时； TXT 适用于只需要文字的情况。
使用限制与隐私
音频和视频文件不得大于 100 MB，且时间不得超过 10 分钟。结果属于当前浏览器会话，并在 24 小时后过期。该服务是免费的，无需付费或订阅；队列和使用限制适用。
发布前需要检查什么
识别可能会遗漏语音或产生错误的单词，尤其是在歌曲、噪音或重叠对话中。时间戳是模型估计值，不保证对齐。该工具无法识别说话者、翻译文字记录或将人声与音乐分开。不支持平台链接导入和浏览器内录制。
常见问题
视频转文本是否会读取视频中已显示的字幕？
否。此工作流程转录音轨。要读取可见文本，请将清晰的框架保存为图像并使用图像文本提取。
我可以为歌曲创建字幕吗？
您可以尝试，但唱歌可能会产生缺失或不正确的歌词和时间。在共享之前查看并更正结果。
我的音频是否发送到第三方转录 API？
此部署在网站服务器上运行 Whisper。音频在该服务器上进行处理，不会发送到第三方转录 API。