在瀏覽器裡把影音檔聽寫成字幕
選一個本機的影音檔，辨識全程在這個分頁裡跑完，輸出可逐句校對的 SRT。中文結果會轉成台灣用語繁體。
PRIVACY檔案不會離開這台裝置。沒有上傳、沒有後端、沒有任何伺服器看得到你的音訊；本頁唯一會對外連線的動作是下載模型。
LANGUAGE選你講最多的那個語言。辨識本身不會翻譯——選日文就得到日文字幕。夾雜其他語言的段落，Whisper 有時照實轉出、有時整段丟掉，實測兩次結果不同，不能指望。「自動偵測」更糟：它替整個檔案挑一個語言，其他語言的段落全部消失，所以不是預設值。要讓非中文的句子也變成中文，把右邊的「輸出」改成翻譯。
MODEL首次使用需要下載模型（whisper-large-v3-turbo，約 700 MB），之後由瀏覽器快取，斷網也能再用。要換裝置或清了瀏覽器資料就得重下。
TRANSLATE把「輸出」改成翻譯，會再下載一個翻譯模型（NLLB-200-distilled-600M，約 850 MB）。兩個模型不能同時待在記憶體裡，所以翻譯前會先卸掉辨識模型，下一次辨識要重新載入。翻譯是逐句進行的，每句約 5 秒。
SPEED有 WebGPU 的瀏覽器跑得動；沒有的話會退到單執行緒 WASM，會非常慢。GitHub Pages 送不出 COOP/COEP header，多執行緒 WASM 在這裡開不起來。另外第一次辨識要先編譯 GPU shader，會比之後每一次多等一段時間。
ACCURACY機器辨識一定有錯字，專有名詞尤其容易錯。時間軸照模型給的，這頁只讓你改文字。匯出前請自己看過一遍。
辨識引擎
whisper-large-v3-turbo按下載入才會開始下載模型。想先確認裝置能不能跑，這一步就會告訴你。
選擇檔案
音訊 · 影片影片檔交給瀏覽器解碼取出音軌，能不能解開要看這台裝置支援哪些編碼；解不開會直接告訴你，請先自行轉成音訊檔再丟進來。語言預設中文，丟其他語言的檔案要自己改。實測一段中→英→中→英的錄音：指定中文那次 11 句、中英都在，但換一段素材重跑，英文就整段不見了；改成自動偵測則只剩 2 句、中文全部消失。要穩定拿到中文字幕就開翻譯。
逐句結果
0 句還沒有結果。