录音棚会话、播客录制、配音母带、有声读物音轨。将 .wav 文件拖入免费的 Windows 应用程序，在本地获取转录文本。支持 96k、48k、24 位、多声道。无需上传，无按分钟收费。
拖放、等待、复制。任何采样率、任何位深、任何时长。
从 StarWhisper 主页获取适用于 Windows 10 或 11 的免费安装程序。设置大约需要两分钟，包括一次性下载 Whisper 模型，以便应用程序在安装后完全离线工作。无需注册，无需信用卡。
打开 StarWhisper。将您的 .wav 文件从文件资源管理器拖到窗口上。StarWhisper 可以读取任何采样率（8k 到 96k）、任何位深（16、24 或 32 位浮点）、单声道或立体声的 WAV。无需先渲染为特定格式；应用程序可以处理您的 DAW 导出的任何内容。
StarWhisper 在您的 CPU 或 GPU 上本地处理音频。速度：在现代笔记本电脑 CPU 上大约比实时快 10 倍，在带有 CUDA 的 NVIDIA GPU 上快 50 倍。一小时的 WAV 在 CPU 上转录大约需要 6 到 12 分钟，在中端 GPU 上需要 1 到 2 分钟。进度实时显示。
处理完成后，转录文本将显示在 StarWhisper 窗口中。将全文复制到剪贴板，将其另存为 .txt 文件，或导出为带时间戳的 SRT 或 VTT 以用于字幕工作流。粘贴到您的节目笔记、剧集页面、有声读物脚本或转录文本需要去的任何地方。
针对专业音频工作流的具体优势。
云服务通常会将大型 WAV 上传重新编码为有损中间格式以节省带宽。StarWhisper 直接从磁盘读取原始的 24 位无损文件。
许多云转录服务在免费层级上会拒绝超过几百兆的 WAV，或者对超过阈值的文件收取额外费用。StarWhisper 可以处理高达 4 GB WAV 格式限制的文件。
96k、88.2k、48k、44.1k、32k、24k、16k、8k 均受支持。内部重采样到 16k 是高质量的，无论源采样率如何，转录准确度都是相同的。
默认的本地模式在您自己的 CPU 或 GPU 上运行 Whisper。WAV 在本地解码，在本地转录，结果写入您的驱动器。适用于受 NDA 约束的录音棚会话。隐私详情。
直接从 WAV 生成可用于字幕的文件。适用于为播客视频版本添加无障碍转录文本或构建字幕轨道。字幕指南。
NVIDIA GPU 用户安装 CUDA 包后，转录速度大约提高 5 倍。一小时的 WAV 变成两分钟的工作。GPU 详情。
WAV（波形音频文件格式）是音频专业人士自 1990 年代初以来一直使用的未压缩、无损容器。每个 DAW 都会导出为 WAV。每个录音棚档案都以 WAV 存储母带。每个配音交付规范都要求 WAV。每个播客制作链在编码为 MP3 或 AAC 进行分发之前，最终都会生成一个 WAV 母带。
原因很简单：WAV 逐位保留原始音频。没有编解码器，没有压缩伪影，没有质量衰减。当您将播客剧集、配音会话或有声读物旁白录制到 DAW 中并导出 48 kHz 24 位 WAV 时，该文件就是未来每个决策的权威参考。您从 WAV 制作用于分发的 MP3，而不是相反。
转录 WAV 的问题在于，使它们成为理想专业音频的相同属性使它们对于在线工具来说变得笨拙。文件很大（一小时的 48k 立体声 24 位 WAV 大约为 1.0 GB）。上传时间长。许多云转录服务要么在免费层级限制文件大小，要么对大文件收取额外费用，要么静默地将上传重新编码为有损中间格式。StarWhisper 在您自己的机器上将 WAV 作为一等格式处理，免费、离线、无上传步骤。
专业音频工作流非常关注采样率、位深和声道布局，这是有充分理由的：这些选择会影响母带制作、混音和最终听众体验。但对于转录来说，情况要简单得多。
Whisper 是在 16 kHz 音频上训练的。StarWhisper 在运行模型之前使用高质量重采样器在内部将您的 WAV 下采样到 16 kHz。96 kHz WAV 产生与相同音频的 16 kHz 版本相同的转录文本。人类语音占据的频率范围大致从 100 Hz 到 8 kHz；高于 8 kHz 的所有内容都是辅音细节和环境空气，Whisper 不使用这些进行单词识别。更高的采样率在转录上是浪费的。
16 位、24 位和 32 位浮点的转录效果完全相同。位深控制动态范围，这对于音乐制作很重要，但对于单词识别则不然。无论源位深如何，Whisper 内部都以 32 位浮点工作。
Whisper 是一个单声道模型。StarWhisper 在处理之前将立体声和多声道 WAV 下混为单声道。对于大多数播客和配音内容，这没问题。对于每个说话者都在单独声道上的采访录音，最干净的方法是使用任何音频编辑器将 WAV 拆分为按单声道的单声道文件，然后分别转录。这为您提供了可以在后期制作中标记和组合的按说话者的转录文本。
具有实际时间的常见专业音频场景：
将 60 分钟的剧集导出为 48k 立体声 24 位 WAV（磁盘上大约 1 GB）。拖放到 StarWhisper 上。CPU 处理时间：6 到 12 分钟。GPU 处理时间：1 到 2 分钟。输出：大约 8,000 字的纯文本转录文本，适合用作节目笔记。稍作编辑，发布。有关特定于播客的工作流的更多详细信息，请参阅面向播客的语音转文本或如何转录播客。
配音章节，导出为 48k 单声道 24 位 WAV，运行时间 45 分钟（约 500 MB）。拖放到 StarWhisper 上。输出：大约 6,500 字的章节文本。可用于将旁白与原始脚本进行交叉核对，以捕捉口误或遗漏的台词。
三位主持人的采访，会话后每位主持人都在单独的 WAV 声道上。将每个声道导出为单声道 WAV。分别将每个拖放到 StarWhisper 上。结果：三份按说话者的转录文本，您可以在后期制作中将它们与时间码和说话者标签结合起来。总处理时间呈线性扩展：三个 60 分钟的单声道 WAV 在 CPU 上大约需要 18 到 36 分钟，在 GPU 上需要 3 到 6 分钟。
配音演员录制 10 次 30 秒广告片段。每次录制都导出为单独的 WAV。将文件夹拖放到 StarWhisper 上。应用程序将所有录制加入队列，并为每次录制生成一个带标签的转录文件。对于代理商审查阶段比较每次录制的措辞非常有用。
许多人最终同时拥有两者：WAV 母带和 MP3 分发副本。对于转录，答案几乎总是 WAV。
WAV 最接近源，因此它具有 Whisper 可以处理的最干净的信号。MP3 经历了有损编解码器，这会轻微混淆高频辅音边缘，并在瞬态部分添加压缩伪影。Whisper 可以很好地处理两者，但在边缘音频（重口音、快速语音、技术词汇）上，WAV 产生明显更好的转录文本。
例外情况是 WAV 很大且不方便，而 MP3 足够好的时候。对于源麦克风可靠且房间经过声学处理的干净录音棚播客剧集，MP3 转录文本在功能上与 WAV 转录文本相同。使用更容易获取的任何一个。如果您想要用于存档或无障碍目的的转录文本，请使用 WAV。有关从 MP3 开始的相关工作流，请参阅如何将 MP3 转换为文本。如果您的源是 iPhone 语音备忘录或 QuickTime 导出，请参阅如何将 M4A 转换为文本。
录音棚 WAV 文件通常包含不应存放在第三方服务器上的内容：
云转录服务无论其中包含什么内容，都会将 WAV 上传到其基础设施。他们的隐私政策可能很严格，但文件仍然脱离了您的控制。对于上述类别，这通常在合同、道德、监管或法律层面上是不可接受的。
StarWhisper 本地模式将所有内容都保留在您的设备上。WAV 由应用程序解码，Whisper 模型在您的 CPU 或 GPU 上运行，转录文本写入您的硬盘。没有任何内容离开机器。有关更深入的详细信息，请参阅隐私和离线架构以及如何离线转录音频。有关特定的受监管行业，请参阅HIPAA 合规常见问题解答或面向律师的语音转文本。
StarWhisper 的免费层级每天提供 500 个单词、每周 3,500 个单词的转录输出。典型的 60 分钟 WAV 大约产生 8,000 个单词。这意味着单个长剧集会超过每日免费上限。您仍然可以处理该文件（文件大小或持续时间本身没有限制），但只有前约 500 个单词计入今天的配额。
对于偶尔的录音棚工作（每隔几周一集，罕见的配音会话），免费层级就足够了。对于生产级工作量的工作（每周播客剧集、每天有声读物录制会话、定期采访转录），Pro 计划取消了上限。它是每月 10 美元或每年 80 美元。完整的 Pro 详细信息和定价。免费计划是永久性的，因此您可以在付费之前在长 WAV 上验证工作流。
免费版和 Pro 版使用相同的 Whisper 模型并生成相同的转录文本。Pro 只是取消了字数上限，并添加了工作流功能，如自定义词汇表（适用于行业特定术语）和优先云回退（如果您选择加入）。对于纯 WAV 转录，唯一实际的区别是每日输出上限。