实时语音转文字
它听着，它打字，而声音不出这个房间
…
- 1
选它听什么，以及听哪种语言
麦克风，或者另一个标签页。麦克风听的是房间，戴着耳机时那就是你这一半对话；要听到其他人得选标签页，浏览器会问你选哪一个。然后告诉它接下来说的是哪种语言，因为它不会猜。
- 2
说话
你说的字会陆续出现，最后一行会不断改写自己直到这句话说完，实时字幕就是这个样子。一段声音用完之后，它对应的文字就不再变动，并入上面的文字稿。
- 3
把文字稿拿走
复制，或者下载成纯文本。全程没有录音也没有存储，所以关掉这个页面就什么都不剩了。
FAQ
- 我的声音会被上传吗？
- 不会，而且这是站上唯一一个能这么说的转录工具。另外两个会把声音发到服务器，它们的页面也直说了。这一个在你第一次点开始时下载一份语音模型，大约 196 MB，之后所有事情都在你自己的机器上发生。没有任何请求携带音频，这一点你可以自己验证：打开网络面板，一边说一边看。
- 它在录我吗？
- 没有。存在的只有最近这几秒的声音，放在内存里供模型读取，以及页面上的文字。两样都不会写进磁盘，事后也没有什么需要删除。
- 它能听到会议里其他人说话吗？
- 只有当他们的声音传到你的麦克风，或者会议开在浏览器标签页里的时候。选标签页那个选项，浏览器会问你共享哪一个，连同它的声音。它够不到浏览器以外的程序，所以用 Zoom 或 Teams 桌面客户端打的电话拿不到。把同一个会议开在标签页里就可以。
- 到底有多快？
- 比说话快，而这里只有这一个速度是要紧的。在这个版本上实测：十一秒的语音，有显卡的机器不到一秒返回，没有显卡的五秒返回。两个都快过语音本身，所以它不会越落越远。
- 为什么最后一行一直在变？
- 因为那是对一句还没说完的话的猜测。模型读的是一整段声音而不是一个一个词，所以这段声音越完整，它就越会修正之前的判断。最后一行以上的内容都是定了的：那些声音已经用过并且放下了。
- 为什么一定要我选语言？
- 因为它不会猜，而且它猜错的方式和你预期的不一样。不给语言时它默认按英语处理，而英语提示词对上中文语音，出来的不是乱码，是翻译：你用中文说，屏幕上出现英文。那已经是另一个工具了，所以它宁可问你。这个列表默认停在这个页面所用的语言上。
- 能识别哪些语言？
- 模型认识大约九十九种，列表里放了最常被要的十六种。如果没有你要的那种，那是一行代码的事而不是能力问题，说一声就行。