將 WAV 影片拖放到上方，幾秒到幾分鐘內就能取得帶時間軸的 VTT 字幕。語音辨識在瀏覽器中執行：影片絕不上傳，沒有長度限制，也不需要帳號。
你會得到什麼
- 這是語音辨識，不是格式轉換：它會聆聽錄音，並將說話內容寫下來，加上標點符號與大小寫。
- 每一句 VTT 字幕都與語音時間對齊，並保持易讀：最多兩行、每行約 42 個字元，與電視台的字幕規範相同。
- 約一百種語言，自動偵測。也能將語音翻譯成英文。
- 清楚的語音幾乎能完美轉錄。背景噪音、多人同時說話與罕見的名稱會造成錯誤，你可以在下載前直接修正。
- 不會標示說話者：文字記錄說了什麼，而不是誰說的。
何時該轉換，何時不該
使用 VTT 為影片加上字幕：網站上的影片。有了字幕，關掉聲音也能看懂影片，而大多數人正是這樣滑手機的；字幕也讓搜尋引擎能讀到影片中說的話。
由於完全不上傳，很適合處理機密錄音：醫療、法律、人資面談或私人語音備忘錄。
操作步驟
- 將 WAV 檔案拖放到上方，或點選以選擇檔案。
- 語言保持自動偵測，並選擇模式：Fast 到處都能用，Accurate 在使用新版瀏覽器的電腦上效果最好。
- 點選「轉錄」。文字出現時可以邊看邊核對，點選任何字詞即可修正，然後下載 VTT。
問題
我的 WAV 檔案會被上傳嗎？
不會。語音辨識元件只會下載到你的瀏覽器一次，並在那裡執行。錄音本身永遠不會離開你的裝置：載入完成後即使離線也能正常運作。
準確度如何？
語音清楚時，Accurate 幾乎不會出錯；Fast 錯誤較多，但任何手機都能執行；Balanced 則介於兩者之間。下載前每一行都可以修正。
需要多久時間？
在新款電腦上，一分鐘的語音使用 Fast 或 Accurate 只需幾秒鐘，使用 Balanced 則稍久一些。手機會比較慢。靜音段落會被略過，所以有停頓的長錄音會比其長度所暗示的更快完成。
為什麼第一次使用需要下載？
在你的裝置上辨識語音，需要下載語音辨識元件本身：Fast 為 80 MB，Balanced 為 245 MB，Accurate 為 545 MB。元件會儲存在你的瀏覽器中，所以之後的轉錄可以立即開始。
支援哪些語言？
約一百種，包括英文、法文、西班牙文、德文、義大利文、葡萄牙文、荷蘭文、阿拉伯文、中文、日文與俄文。系統會自動偵測語言，你也可以自行指定。
是免費的嗎？有長度限制嗎？
免費，不需帳號，也沒有分鐘數限制：工作由你的裝置完成，所以沒有什麼需要計量的。非常長的錄音只受裝置記憶體限制。