WhisperWeb 是一个免费的浏览器端 AI 语音识别工作区，核心是基于 OpenAI Whisper 开源模型的本地语音转文字功能。它把文件选择、转写审阅和字幕导出整合在一个网页中，用户无需注册账号，也无需上传文件到云端。
用途 WhisperWeb 适合将音频或视频中的语音转换为可编辑文本，并生成带时间轴的字幕。可用于采访、讲座录音、播客、会议记录、视频对话等场景，帮助查找引文、核对术语、准备笔记或为视频编辑准备字幕。
主要能力
- 本地语音识别：Whisper 模型在用户设备上运行，选中的音频和转写结果不会发送到云端转录服务。
- 多格式支持：可处理 MP3、WAV、M4A、MP4、WEBM、MOV、OGG、OPUS、AAC、FLAC 等格式，文件上限 200 MB 或 20 分钟。
- 模型选择：提供 tiny、base、small 三种模型，默认 base，tiny 下载体积更小，small 为可选升级。模型越大，所需内存越多。
- 多语言识别：可识别多种语言的语音并输出原语言文本，也可免费翻译成英语，但不支持其他目标语言或配音。
- 字幕生成与编辑：可从音视频生成原语言 SRT 或 VTT 字幕，支持编辑文字和起止时间、回放片段。
- 导出格式：支持导出 TXT 纯文本、SRT 和 VTT 字幕。
- 字幕格式转换：可将 SRT 转换为 WebVTT，或将 WebVTT 转换为 SRT，保留文本和毫秒时间。
- 纯文本提取：可从 SRT 或 WebVTT 字幕中提取可读文本，去除序号、时间戳和字幕标记。
使用方式
- 打开网页，将音频或视频文件拖放到指定区域。
- 选择语音语言或使用自动检测，选择模型（tiny / base / small）。
- 首次使用会下载公开模型，后续任务可复用浏览器缓存（缓存有效时）。
- 识别在本地设备上进行，完成后可校对文本、编辑时间轴、回放片段。
- 导出所需格式：TXT、SRT 或 VTT。
注意：文件处理需要 JavaScript 支持；网页和模型下载仍需网络连接。
适用场景
- 播客转录：将播客录音转为可编辑文本和 SRT/VTT 字幕，方便用于节目页面。
- 会议转录：将已保存的会议录音转为可搜索文本，无需邀请会议机器人。
- 采访转录：转录采访录音而无需上传音频，可回放段落、核对引文和姓名。
- 讲座转录：将讲座录音转为可搜索文本或原语言字幕，便于学习。
- 视频字幕：识别本地视频中的语音，生成可编辑的字幕。
- 格式转换：将已有 SRT 或 WebVTT 字幕互相转换，或提取纯文本。
限制
- 本地识别依赖设备内存和计算能力；有 GPU 加速时优先，否则使用 CPU 路径，较大文件可能耗时更长。
- 完整转录已在 macOS 桌面版 Chrome 中测试，响应式布局不代表手机端识别已验证。建议从简短清晰的录音开始。
- 不支持直接视频链接，需先保存本地视频文件。
- 不支持其他目标语言翻译和配音，仅支持翻译为英语。
- 无云端项目存储，离开页面前需下载结果。
- 噪音、音乐、重叠人声和不常见名称可能导致识别错误，重要内容建议对照音频检查。
- 准确率因语言、口音和模型而异。
- 可选的使用统计仅记录工具使用次数（开始、完成、导出），不记录文件名、录音或字幕文本，可随时关闭。
