导出的音频是什么格式

WAV 是未压缩的原始采样，任何设备都能打开，代价是体积大（约每分钟 10 MB）。需要放进播放器或发给别人时选 MP3，用的是浏览器里的编码器，128 kbps 单声道，一分钟大约 1 MB。

转写的准确率

用的是 Whisper 的轻量版本，在浏览器里跑。安静环境下的普通话口语大致能到八九成准确，背景音乐大、多人抢话、方言口音重的片段会明显下降。时间轴按模型给出的分段生成，导出 SRT 或 VTT 后可以直接挂到视频上再手工校对。

没有人声的地方会被丢掉，不会出现在结果里。这类模型碰上静音或纯音乐时会凭空编出一段读着挺通顺的话，还常常把同一句刷几十遍，所以我们按音量核对每一段，对不上的直接拦掉。如果整段音频都没人说话，会直接告诉你没听出人声，而不是给你一堆编出来的字。

音频会上传吗？

不会。解码、编码和语音识别都在这个页面里完成，没有任何一步会把数据发出去。这也是为什么第一次要下载模型文件。

为什么转写这么慢？

模型在你的 CPU 上跑。一分钟音频通常要几十秒到一两分钟，取决于设备性能。手机上会更慢，长音频建议用电脑。

支持哪些语言？

界面上给了中文和英文两个选项，这两个的效果最稳。模型本身认得更多语言，但没有调好的分词和标点，效果参差。

SRT 和 LRC 有什么区别？

SRT 和 VTT 是视频字幕格式，每条带起止时间；LRC 是歌词格式，只有起始时间，音乐播放器用它做逐行滚动。