借助 AI 精准度将音频录音转换为文本。 转录采访、会议、讲座和语音备忘录。基于 OpenAI Whisper 的高精度体验。
音频转文字转录是将录音中捕获的口语转换为书面、可读文档的过程。一个勉强可用的解决方案与真正有用的解决方案之间存在巨大差距。任何曾为云服务生成的杂乱无章的采访录音输出而苦恼，或等待人工转录员 24 小时后才返回初稿的人，都能理解这种挫败感。神经网络语音识别的出现，特别是 OpenAI Whisper，改变了本地离线音频转文字转录所能交付的成果。
现代转录软件通过两种广泛模式将音频转换为文本：实时（说话时通过麦克风输入）和基于文件（上传预先录制的 MP3、WAV、M4A 或其他格式）。两种模式根据工作流程的不同都很有价值。现场记录口述笔记的记者需要实时语音转文字。拥有六小时采访录音的研究人员需要可靠的文件转录。最好的工具无需第二个订阅或切换应用即可处理这两种情况。
StarWhisper 使用 whisper.cpp 引擎完全在您的 Windows 机器上处理音频转文字转录，这是由 OpenAI 发布的相同声学模型，经过编译可在消费级硬件上原生运行，而无需向云端发送单个字节。在配备 NVIDIA GPU 的机器上，60 分钟的录音通常在 5 分钟内完成转录。
并非所有音频转文字转录工具都是为专业用途而构建的。以下是当转录是您工作流程核心部分时真正重要的功能：
支持 MP3、WAV、M4A、FLAC、OGG、AAC、WMA 以及从 MP4 或 MKV 视频中提取的音频。开始转录前无需预先转换。
在不同说话者、口音和录音条件下始终保持 95-99% 的字错误率，而不仅仅是在受控演示中演播室质量的旁白。
云服务会将您的音频上传到第三方服务器。法律采访、医疗咨询和专有商业讨论如果不通过合规风险，就不能经过云端管道。本地处理消除了这种暴露风险。
等待 20 分钟才能获得结果会打断您的工作流程。GPU 加速的本地处理比实时更快地交付转录稿，同时您仍然保持对录音的上下文记忆。
国际记者和多语言组织需要超越英语的转录功能。Whisper 在 96 种语言上进行了训练，带来了真正的多语言能力，而无需单独下载模型。
编辑和记者需要浏览长篇转录稿。带时间戳的输出让您可以跳转到任何音频时刻，而不是在 90 分钟的录音中手动拖动搜索。
StarWhisper 捆绑了 whisper.cpp，这是专为 Windows 优化的 OpenAI Whisper 模型的 C++ 移植版。它无需 Python、无需 Docker，也无需互联网连接即可运行。自动检测并使用 NVIDIA CUDA GPU 加速。在 GPU 上，转录速度达到实时速度的 4-8 倍，两小时的录音大约 20 分钟即可返回。仅使用 CPU 时，根据所选模型大小，预期速度为实时的 0.5-1 倍。
StarWhisper 默认安装了 tiny 和 base Whisper 模型，完整安装包中附带了 small 模型。Small 是实时听写和短片段工作的实用默认选项，也是我们推荐大多数用户（包括 GPU 用户）保持使用的模型。Pro 订阅者可以下载 medium 和 large-v3 用于长篇批量转录，在这些录音上，额外的计算物有所值；对于短听写片段，较大的模型可能会过度纠正并产生比 small 模型更多的幻觉。
StarWhisper 中的基于文件的音频转文字转录通过直接的拖放界面工作。将一个包含采访录音的文件夹拖入，StarWhisper 会将它们排队进行顺序处理，并将每个转录稿导出为单独的文本文件。无需帐户登录，没有上传进度条，没有“处理中”的旋转图标来掩盖服务器对您的文件所做的操作。文件始终保留在您的驱动器上。
除了录音文件外，StarWhisper 还包含一个悬浮小部件，可直接将转录的文本输入到任何 Windows 应用程序中。在 Microsoft Word、Google Docs、Notion 或任何文本字段中进行听写，语音识别输出会像键入一样出现。这使其成为一个双重用途的工具：一个音频文件转录系统和一个日常使用的实时 语音输入解决方案。
免费计划每天最多可转录 500 个单词，无需帐户，这对于偶尔的转录工作来说真正有用。Pro 订阅每月 10 美元或每年 80 美元，可消除所有限制，解锁更大的模型，并支持无限文件转录。没有按分钟计费，没有席位定价，除了免费层每日上限外，没有使用计量。
音频转文字转录软件的市场已经显著分化。以下是对主要方法的诚实比较：
| 工具 | 准确率 | 隐私 | 成本 | 速度 |
|---|---|---|---|---|
| StarWhisper (本地) | 95-99% | 100% 本地 | 免费 / $10/月 | 4-8倍实时 (GPU) |
| Rev.ai (云端) | 90-96% | 云端上传 | $0.02/分钟起 | 数分钟 (异步) |
| Otter.ai (云端) | 85-92% | 云端上传 | $17-30/月 | 近实时 |
| 人工转录员 | 99%+ | 取决于保密协议 | $1-3/分钟 | 24-72 小时 |
| Windows 语音识别 | 75-85% | 本地 | 免费 (内置) | 仅实时 |
对于专业用途，云转录服务存在两个根本性问题：它们需要互联网连接（这意味着农村实地工作或安全设施会成为问题），并且它们会出于训练和合规目的在服务器上保留您的音频文件。对于任何转录机密内容的人来说，这是一个不可接受的开端。有关模型训练方法和使大规模本地部署成为可能的原因，请参阅 OpenAI Whisper 研究论文。
正确的工具取决于大多数买家在阅读营销页面时低估的三个因素：音量、内容敏感性和工作流程集成。
StarWhisper 的免费层级可以轻松应对这一需求。每天 500 个单词大约是 3-4 分钟的语音。对于偶尔的会议摘要、语音备忘录或采访片段，免费计划就足够了，无需帐户。
如果您对音频上传和按分钟计费感到满意，云服务可能适合。请仔细比较成本，在高音量下，按分钟计费相对于固定的月度订阅会很快变得昂贵。
本地处理不是可选项，而是合规要求。StarWhisper Pro 每月 10 美元，提供无限的音频转文字转录，无需云端上传。对于医疗保健环境，这支持 符合 HIPAA 的工作流程。对于法律环境，请参阅 法律听写软件的注意事项。
StarWhisper 通过一次安装即可处理这两种用例。用于实时语音输入的悬浮小部件和文件转录面板共享同一个已安装的 Whisper 模型。一个订阅即可覆盖这两种工作流程，无需维护单独的工具。
立即开始您的第一次音频转文字转录
免费下载 StarWhisper要提高音频转文字转录的准确率，您能做的最有影响力的事情就是改进源录音。在安静房间里放置的 USB 电容麦克风，距离说话者 6-12 英寸，无论您使用哪种 AI 模型，其表现始终优于咖啡店中的笔记本电脑内置麦克风。对于未来的录音，在投资更大的 AI 模型之前，先投资录音质量。
在仅使用 CPU 的机器上，large-v3 模型以大约 0.1-0.2 倍实时的速度处理，适合偶尔使用，但对于批量工作来说很痛苦。Small 模型在现代 CPU 上以 0.8-1 倍实时的速度运行。配备 8GB+ NVIDIA GPU，medium 模型以 3-4 倍实时的速度运行，并提供明显更好的准确度。对您的硬件进行一次性能分析，然后设置一个适合您对速度与准确度偏好的默认模型。
对于超过 20 分钟的任何录音，启用时间戳输出。带时间戳的转录稿让您无需手动拖动浏览文件即可找到任何句子的确切音频时刻。记者核实引语或研究人员分析定性数据，都能从此功能中受益匪浅。
即使在高准确率下，60 分钟的录音也包含数千个单词，这意味着可能有几十个错误。以 1.25 倍速度收听时的轻度检查可以捕捉到大多数问题。大多数专业用户报告说，他们花费 10-20 分钟审查一小时 AI 转录的音频，而手动转录则需要 3-4 小时。这种混合方法是 专业转录工作的行业标准。
StarWhisper 的队列系统允许多个文件的批量处理。对于大型项目，例如一周的播客采访或实地研究之旅的录音，在您离开之前将所有文件放入队列中。第二天早上返回即可得到完成的转录稿，而无需在处理过程中在场。
支持 MP3、WAV、M4A、FLAC、OGG、AAC、WMA 以及从 MP4、MKV 和 AVI 视频文件中提取的音频。无需预先转换，直接拖放原始文件即可。
在清晰的音频和单人说话的情况下，使用 large Whisper 模型的批量转录可达到 99% 以上的准确率，可与专业人工转录员相媲美。在嘈杂录音或重口音的情况下，预期为 90-95%。对于实时听写，small 模型是实用的默认选项，在短片段上通常比较大的模型更准确。AI 转录适用于大多数专业用例，并且速度快得多且成本更低。
不会。所有音频转文字转录处理都在您的 Windows 机器本地进行。您的音频文件永远不会离开您的设备。当使用本地 Whisper 引擎时，这适用于免费和 Pro 计划。
使用 NVIDIA GPU：大约 4-8 分钟，具体取决于模型大小。仅使用 CPU：对于同一录音大约需要 30-90 分钟。CPU 上的 small 模型处理速度约为每小时 30 分钟；large 模型耗时更长，但产生的准确度明显更高。
可以。Whisper 原生支持 96 种语言。StarWhisper 包含 29 种以上的语言预设。Small 模型是大多数使用拉丁文字的语言的实用默认选项。对于非拉丁文字（中日韩、阿拉伯语、西里尔字母）或长录音的批量转录，medium 模型是一个有用的升级。有关特定语言的设置，请参阅 多语言语音转文字指南。
免费版：每天最多 500 个单词的音频转文字转录，仅限 small 模型，无需帐户。Pro 版（10 美元/月或 80 美元/年）：无限转录，解锁 medium 和 large Whisper 模型，两种计划均无按分钟费用。
由于所有处理均在本地进行且无云端上传，StarWhisper 支持符合 HIPAA 的工作流程。受保护的健康信息永远不会离开设备。StarWhisper 本身不是 HIPAA 商业合作伙伴，在临床环境中部署之前，请咨询您的合规团队以了解您组织的具体要求。
在您的硬件而不是别人的云端上运行的音频转文字转录。免费计划无需帐户。Pro 版每月 10 美元，无按分钟费用，无席位许可证，无隐藏费用。
适用于 Windows 10 和 Windows 11。免费计划无需帐户。也可在 Microsoft Store 上获取。