關於這個工具
課堂或會議錄音，不該非丟到雲端語音服務不可。把影片或音訊丟進來，就由你挑的語音辨識引擎在這個分頁轉寫：Whisper 模型——base、small、large（v3-turbo）三種，下載一次存在瀏覽器裡、用 WebGPU 在你的顯示卡上跑——或者 Chrome 內建的 Gemini Nano（走 Prompt API），不用從我們這裡下載任何東西。另一個獨立的選擇器負責翻譯——Hy-MT2（下載一次、用 WebGPU 在顯示卡上跑）、Chrome 內建的 Translator 或 Gemini Nano，全都在裝置上跑——所以同一趟就能出雙語字幕。輸出 SRT、VTT 或純文字，下載前可以用小表微調時間。隔壁是 Subtitle Converter 跟 Subtitle Sync，分別管格式跟整份平移。
模型
語音辨識：Whisper base（小又快，沒有 WebGPU 用 CPU 也能跑）、Whisper small（一般的折衷）、Whisper large v3 turbo（有可用的顯示卡時，英文、中文、日文檔案通常推薦它）、Qwen3-ASR 0.6B（沒有 GPU 時通常推薦它）、Qwen3-ASR 1.7B（比較大的那個 Qwen3-ASR）、Confucius4-R2T2（簡稱 R2T2，在 GPU 上邊辨識邊逐字串流出來的模型）、Gemini Nano（Chrome 內建，不用跟我們下載）、Chrome Speech Recognition（Web Speech：只能用播放速度聽，沒裝本機語言包時音訊會送到 Google）。精準時間戳：Qwen3-ForcedAligner 0.6B——選配、預設關閉、約 1.85 GB，把轉好的逐字稿逐字或逐個字元對回音訊。翻譯：Hy-MT2 1.8B（Tencent Hunyuan-MT 2，在你的 GPU 上跑，有可用顯示卡時就是預設）、Chrome Translator（內建，沒有 GPU 時的預設）、Gemini Nano。全部在瀏覽器裡跑：Whisper、Qwen3-ASR、R2T2、Hy-MT2 和 ForcedAligner 都是透過 WebGPU 在你的顯示卡上跑，「通用 GPU」版照顧沒有 shader-f16 的舊卡（例如 GTX 10 系列），「快速 GPU」版在顯示卡支援時改用 f16，沒有可用的 GPU 時，Whisper、Qwen3-ASR 和 ForcedAligner 會退回 CPU（WebAssembly，慢一些），R2T2 還是只建議在 GPU 上跑，翻譯則從 Hy-MT2 改成 Chrome Translator。下載一次，所有 ByteScope 工具共用。
模型該選哪個
處理檔案的話，英文、中文、日文的推薦模型是照我們實測的準確度排的：有能用的顯示卡通常是 Whisper large（v3-turbo），沒有的話通常是 Qwen3-ASR 0.6B；一樣準的話，已經下載好的優先。下載好的模型會用這台電腦跑得動的最快速度把整份錄音處理完，下載一次所有 ByteScope 工具共用；Whisper 三種大小是速度和準確度的取捨——base 小而快，沒有 WebGPU 也能用 CPU 跑（慢）；small 是中間的選擇；large（v3-turbo）最重，有顯示卡時也比 base 和 small 更準。Gemini Nano 只要你的 Chrome 有提供就不用下載，會把音訊切成 30 秒一段餵給模型。Chrome 內建的語音辨識也在清單裡，但卡片上會老實寫：它只能照播放速度聽，一小時的影片就要一小時，而且預設模式會把音訊送到 Google 的伺服器。任何下載都會先問過你——這台電腦還沒有的模型，會先顯示大小、剩餘空間、你是不是在行動網路上，你按了才開始；下載、驗證、載入記憶體、暖機各自有進度；「測試速度」會拿一段內建的短音訊跑一次，讓頁面估給你看一小時的音訊在這台大概要多久。推薦的選項會標出來並附一行理由；你自己改過的選擇會記住。不管選哪個模型，打開「精準時間軸」（預設關閉）就會再用第二個本機模型 Qwen3-ForcedAligner 0.6B 把轉出來的文字對回音訊：英文逐字、中文和日文逐個字對齊，每句字幕都從真正開口的地方開始、講完就結束，超過 6 秒左右的字幕會在字詞邊界切開。它要多下載一次大約 1.85 GB（跟其他模型一樣會先問你），有顯示卡就用顯示卡跑，沒有就用 CPU、慢很多。中文、英文、日文完整支援，幾種歐洲語言部分支援，韓文不支援；對不上音訊的句子會保留語音模型原本的時間。
聲音怎麼進模型
音軌用 AudioContext / OfflineAudioContext 解開。Web Audio 只存在於 Window，這一步出不了主執行緒（不過編解碼是瀏覽器自己的執行緒在跑。解碼會要求 16 kHz；建不出這個取樣率的 context 時，就由 worker 重取樣。一個容器只解第一條音軌）。混成單聲道跟重取樣則在 worker。之後把音訊一段一段餵給引擎，避免長檔把上下文塞滿。Whisper 的下載進度是這一頁自己量的；Gemini Nano 在這台電腦第一次用時可能會下載本機模型（常常好幾 GB），那邊看到的進度是瀏覽器自己的 downloadprogress，不是我們轉的圈。把字幕燒進畫面不在 v1：那要拖 ffmpeg.wasm，這批先不驗證那個需求。
雙語字幕
把翻譯選擇器設成一個目標語言，轉寫完的每一句就會在裝置上翻譯，然後寫成雙語的 SRT 或 VTT——原文在上或譯文在上，你自己選——也可以只出譯文。Hy-MT2 是 1.8B 的模型，下載一次（約 1.3 GB）之後用 WebGPU 在你的顯示卡上跑，電腦有可用的 GPU 就推薦它——我們盲測比較下來它比較準；Chrome 的 Translator 每個語言配對下載一個小語言包，是快的那個，也是沒有可用 GPU 時的預設；Gemini Nano 是比較大的內建模型，每句比較慢。選擇器留在「不翻譯」，整條翻譯管線就不會啟動。
做不到的事
Whisper 只要有 WebGPU 或 WebAssembly 就能跑，所以轉寫本身不綁 Chrome；Gemini Nano、Chrome 內建的語音辨識和兩個內建的翻譯引擎都只有 Chrome 才有，Firefox 跟 Safari 沒有；翻譯用的 Hy-MT2 跟 Whisper 一樣，有 WebGPU 的瀏覽器都能跑。Edge 雖是 Chromium，這一頁只寫實際跑過的。Nano 還要模型肯跑的硬體；unavailable 是常態，不是 bug，也沒有雲端後路——唯一的例外是 Chrome 內建語音辨識的預設模式，它本來就是雲端服務，卡片上也這樣寫。轉寫品質就是你選的模型在那一段上的表現——漏句、時間飄了，在表裡改；每一句都晚同樣長度，再拿去 Subtitle Sync。