簡短的回答
音訊到文字轉錄可識別錄音中的口語單字並附加時間戳記。將音訊或影片上傳到 AI Free Audio to Video，更正腳本，然後複製或匯出 TXT、JSON 和 SRT，而無需渲染影片。
支援的格式
上傳 MP3、WAV、M4A、AAC、FLAC、OGG、MP4、MOV、WebM 或 MKV。將純文字匯出為 TXT，將結構化行匯出為 JSON，或將定時字幕匯出為 SRT。
它是如何運作的
1. 上傳錄音
選擇包含聲音的本機音訊或視訊檔案。對於視頻，該工具會在識別之前提取音軌。它不會讀取視訊幀中列印的文字。
2. 選擇口語
選擇支援的語言或自動偵測。伺服器運行開源 Whisper 模型來識別語音並估計單字時間。清晰的語音通常比唱歌或重疊的聲音需要更少的糾正。
3. 更正並下載文字記錄
在結果編輯器中查看名稱、標點符號和行時間。下載 TXT、JSON 或 SRT 之前儲存變更。 SRT包含計時； TXT 適用於只需要文字的情況。
限制和隱私
音訊和視訊檔案不得大於 100 MB，且時間不得超過 10 分鐘。結果屬於目前瀏覽器會話，並在 24 小時後過期。該服務是免費的，無需付費或訂閱；隊列和使用限制適用。
分享前要檢查什麼
識別可能會遺漏語音或產生錯誤的單詞，尤其是在歌曲、噪音或重疊對話中。時間戳記是模型估計值，不保證對齊。該工具無法辨識說話者、翻譯文字記錄或將人聲與音樂分開。不支援平台連結匯入和瀏覽器內錄製。
常見問題
視訊轉文字是否會讀取影片中已顯示的字幕？
否。此工作流程轉錄音軌。要讀取可見文本，請將清晰的框架儲存為圖像並使用圖像文字提取。
我可以為歌曲建立字幕嗎？
您可以嘗試，但唱歌可能會產生缺失或不正確的歌詞和時間。在共享之前查看並修正結果。
我的音訊是否發送到第三方轉錄 API？
此部署在網站伺服器上執行 Whisper。音訊在該伺服器上進行處理，不會傳送到第三方轉錄 API。