语音转文字

语音转文字把麦克风变成键盘。点一下，自然说话，浏览器识别完成的短语会出现在可编辑的转写文本里，尚未确定的词以上方暗色显示。它适合免手记笔记、起草文稿、无障碍输入，以及练习外语发音——因为基于 Web Speech API，无需安装任何东西。

使用方法

1. 选择识别语言。 从 12 种语言的下拉框中选择。默认跟随页面语言，但你可以随时更改。
2. 开始听写。 点击「开始听写」，并在浏览器询问时授予麦克风权限。
3. 说话并观察。 临时识别的词会以暗色显示在实时行中；识别引擎确认一个短语后，它会追加到下方转写文本。
4. 结束后停止。 点击「停止听写」。转写文本会留在页面上。
5. 编辑、复制或下载。 在文本框中修正错误，然后用复制或下载 .txt。词数和字符数会随输入更新。

实时视图显示的内容

两个文本区域同时更新。转写文本上方的临时行保存着引擎仍在猜测的短语；随着引擎修正假设，它会不断变化，所以句子中途可能闪烁。转写区域只接收已确认的短语，因此它以稳定的块增长，而不是不断重写自己。工具自带计数器的词数规则是为听写设计的：拉丁词按空白划分，而每个 CJK 表意文字或假名算作一个词，因为这些文字书写时不用空格。

由于临时文本永远不会被确认，你在暗色行里看到的词还没有进入转写文本。如果你在某个短语仍是临时状态时停止听写，它可能会丢失——请把想法说完再点停止，或等引擎先确认它。引擎在自然停顿处更容易确认，所以在句尾稍微换口气既能提高准确度，也能把文本锁定下来。

转写合并与空格处理

当一个最终短语到达时，它不是简单拼接。合并器会在现有转写文本和新片段之间插入一个空格，但有两个例外。如果新片段以结尾标点开头——逗号、句号、问号、冒号、括号或对应的 CJK 标点——则不加空格，所以你会得到 “hello, world” 而不是 “hello , world.”。如果现有文本以 CJK 字符结尾，也不加尾部空格，让中文和日文输出保持连续。空白和纯空白的片段会被完全跳过，因此一次静默的识别事件不会留下多余的空隙。

这很重要，因为识别引擎会在不可预测的边界处输出片段。同一句话可能作为一个块到达，也可能分成三块到达，而朴素地向文本框追加会产生双空格或每个逗号前都有空格。合并规则把这些情况归一化掉，所以转写文本通常足够干净，无需再排版就能复制。手工编辑仍然优先于一切：在文本框里打字会被当作普通文本，下一个最终片段会追加到已有内容之后，包括你的更正。

支持的语言与浏览器

识别由浏览器完成，这也是支持程度参差不齐的原因。Chrome 和 Edge 在桌面和 Android 上提供该功能；Safari 从 14.1 起支持，且可能在设备上处理部分音频；Firefox 完全没有 SpeechRecognition 实现，所以工具会用一段回退提示替换界面。精选的 12 种语言覆盖了最常见的场景，但准确度因语言而异，也取决于你的口音与训练数据有多接近。专有名词、缩写和人名是最常出错的。

关于语言选择有两点实用说明。第一，选择器选的是识别语言，它决定使用的声学和语言模型——它不翻译，所以选德语却说英语时，得到的是德语模型对英语单词的猜测，而不是德语翻译。第二，会话中途切换选择器会影响下一次识别；如果你在聆听时更改，请停止再重新开始，让新语言生效。同一段音频在不同语言模型下可能产生差别很大的转写，所以开始前先设好。

准确度、隐私与局限

语音识别返回的是概率最高的词，而不是正确的词。同音词（“their” 和 “there”）、专业词汇以及强烈的背景噪音都会导致错误，你应当预期需要手工修正。标点只有时会被插入，而且从不可靠。关于隐私：本网站不上传也不存储任何内容，但这不意味着识别在本地进行。在 Chrome 和 Edge 中，音频会被发送到浏览器厂商的服务处理，所以对待机密材料的听写，就应当像对待任何云端转写一样谨慎。如果这对你的场景很重要，请查阅浏览器自身的隐私文档。

实用技巧

• 用完整短语说话，在句子边界处短暂停顿；引擎在自然分块上比在一条不断的流上确认得更准。
• 如果需要标点，就用单词把标点念出来（“comma”、“period”、“new line”），并预期还要再清理一遍。
• 在嘈杂房间里使用耳麦——选择词语的是识别器，而不是房间。
• 长时间会话后，浏览一遍是否有反复出现的误识别（比如一个名字被拼成三种写法），导出前在文本框里用查找替换修正。
• 如果会话意外停止，再次点击开始；已有转写文本不会丢失。

相关工具

• 文字转语音 — 反方向操作：将书面文字转换为语音。
• 录音机 — 录制麦克风音频并下载为文件。
• 字数统计 — 为听写文本提供详细统计。