運作方式
- 放入影片。聲音會在你的電腦上擷取出來。
- 產生字幕。第一次使用時，會下載語音模型（快速版約 80 MB，精準版約 250 MB），並由瀏覽器快取起來——下次就能立刻開始。接著辨識會在你的處理器上執行；你的聲音絕不會離開這台裝置。
- 編輯。點一下時間就能跳到該處，在清單中修正文字、刪除行，或在字幕太早或太晚時整體偏移。
- 儲存。下載 .srt 或 .vtt 檔案，或儲存字幕已燒錄進畫面的影片。
燒錄進畫面，還是另存成檔案？
- 燒錄進畫面（開放式字幕）——成為畫面的一部分，在任何地方都看得到：Instagram、TikTok、LinkedIn、WhatsApp、任何電視。大多數社群影片都是關掉聲音觀看的，所以這通常是社群媒體的首選。影片會重新編碼。
- 放在影片旁邊的 .srt（封閉式字幕）——觀看者可以自行開啟或關閉。檔名請與影片相同（
holiday.mp4+holiday.srt），VLC、Plex、Kodi 和大多數智慧電視就會自動讀取。YouTube 和 Vimeo 也接受上傳 SRT 和 VTT。
準確度如何？
在安靜的房間裡，對於清晰的語音，Whisper 能辨識出大部分的字；人名、品牌和專業術語是你需要修正的地方。背景音樂、好幾個人同時說話，以及濃重的口音都會降低準確度。「精準」使用較大的模型，錯誤明顯較少，速度大約是三分之一。
需要多久？
在近幾年的一般筆電上，快速模型處理語音的速度大約是即時的 3–4 倍——10 分鐘的影片大約 3 分鐘就能完成。精準模型的速度大約等於即時。較舊或低功耗的電腦會比較慢；處理期間你可以繼續使用其他分頁。
語言與翻譯
Whisper 能辨識約 100 種語言，並自動偵測語言。它也能把語音翻譯成英文字幕：選擇「英文（翻譯）」——很適合把用其他語言錄製的影片分享給說英文的觀眾。
從設計上就保護隱私
大多數字幕產生器會把你的影片上傳到它們的伺服器，並按分鐘收費。在這裡，模型是在你的瀏覽器中本機執行，所以不必上傳、沒有時間限制，也不需要訂閱——很適合訪談、內部會議和任何機密內容。
常見問題
免費嗎？
是的，沒有分鐘數限制、沒有浮水印，也不需要註冊。
我的影片會被上傳嗎？
不會。只有語音模型會從 Hugging Face 下載一次；你的影片和聲音都留在你的電腦上。
SRT 和 VTT 有什麼不同？
兩者都是純文字的字幕檔。幾乎所有播放器和電視都支援 SRT；VTT 是網頁標準，用於 HTML5 播放器。你的平台要求哪一種，就下載哪一種。
我可以加入自己的 SRT 檔案並燒錄進去嗎？
可以——使用「匯入 SRT/VTT…」，檢查時間點，然後儲存內嵌字幕的影片。
為什麼第一次執行很慢？
語音模型必須先下載一次（80–250 MB）。之後就會由瀏覽器快取起來。
最後更新: 30/10/2026