我做了 Media to Words ，想把视频里的口语整理成文字和字幕这件事做得简单一点：需要笔记时拿 TXT ，需要带时间码的字幕时拿 SRT ，不用先注册账号。
一个具体用法：整理自己拍的一段讲解视频，选择本地文件和讲话语言，生成后对照声音改掉人名、数字或听错的词，再导出 SRT 放回剪辑软件。想保留文字笔记就导出 TXT 。自动识别仍需要复听，尤其是背景音乐重的片段。
也可以贴公开的 Instagram Reel 或视频帖链接。TikTok 目前只能选择已保存的视频文件，不能贴 TikTok 链接。本地文件的语音识别在浏览器里运行；首次加载模型和较长视频会更吃设备性能。欢迎反馈具体哪里不好用。
这是一个专为移动设备优化的页面（即为了让你能够在 Google 搜索结果里秒开这个页面），如果你希望参与 V2EX 社区的讨论，你可以继续到 V2EX 上打开本讨论主题的完整版本。
V2EX 是创意工作者们的社区，是一个分享自己正在做的有趣事物、交流想法，可以遇见新朋友甚至新机会的地方。
V2EX is a community of developers, designers and creative people.