记一次用浏览器本地语音识别整理面试录音文字稿

前几天帮朋友整理一段面试录音，mp3 格式，四十来分钟。需求很简单：把语音变成文字稿，方便后续检索和归档。

这种任务以前我的做法是写个脚本调 API，但这次录音内容涉及面试细节，不太想传到第三方服务器上。找了一圈，最后在工具派上看到一个"音频转文字"工具，标注是浏览器本地跑 Whisper 模型，音频不上传服务器，正好符合要求。把过程记录一下。

先看实现方式

这个工具的技术栈是纯前端方案：React + Transformers.js，模型用的是 whisper-base 的 ONNX 版本，推理靠自托管的 onnxruntime wasm。也就是说整个识别过程是在我自己的浏览器里完成的，音频文件不出本机。这也是我选它的主要原因。

代价也明显：模型要在浏览器里加载，第一次用需要等模型下载和初始化，而且 base 是小模型，识别精度不能跟云端大模型比。后面的结果也印证了这一点。

踩坑：文件超限

录音原文件 39.1MB，直接上传被拦下了：

页面提示限制 10MB（大约 10 分钟音频），浏览器端识别能力有限，建议压缩或裁剪。这个限制合理，wasm 环境里跑 Whisper 本来就吃内存，文件太大容易把标签页跑崩。

解决办法也简单，我用 ffmpeg 截了前 8 分钟存了一个小份：

ffmpeg -i input.mp3 -t 480 -acodec copy output.mp3

裁剪后 9.3MB 左右，低于限制。

正式转写

上传小份文件，识别语言选"中文（普通话/简体）"，输出格式选"纯文本 TXT"（做字幕的话可以选 SRT 或 VTT），然后点"开始转文字"：

第一次点的时候按钮变成"AI 识别中..."，同时提示模型加载约需 2-3 分钟。实际等了两分多钟，模型加载完自动开始识别，8 分钟的音频识别过程又花了两三分钟。第二次用就不用等模型了，会快不少。

识别结果与不足

结果直接在右侧展示，可以一键复制或下载 TXT：

通读一遍，口语内容大体能看懂，面试的对话结构都识别出来了。但问题也很典型：

• 专有名词识别不准。"SQL 注入"被识别成了"SoCo""收回预训"之类的音近词，英文术语基本靠猜
• 语气词、断句比较碎，长句经常被切成短句
• 多人对话没有说话人分离，谁说的话要自己对着录音标

这些其实是 whisper-base 这个小模型本身的局限，不是工具实现的问题。对精度要求高的场景（比如正式会议纪要），还是得上 large 模型或者云端服务。但对"快速把录音变成能搜索的文字"这种需求，本地小模型够用了，而且隐私性是最好的。

小结

整个过程没装任何软件，没起任何服务，浏览器里跑完。适合的场景：临时性的录音整理、对隐私敏感的内容、不想配环境的场合。不适合：长音频（10 分钟限制）、高精度要求、多人分离。

工具地址：https://gjupai.com/