把语音 / 歌声转成带时间轴的字幕，全程在你浏览器本地运行，文件不上传。
怎么用：选一段音频/视频 → 开始识别 → 出带时间轴的字幕，可下载 SRT 套进剪辑软件，或点某句跳到对应时间。
第一次会下载模型（之后缓存，离线也能用）。Chrome / Edge 有 WebGPU 加速最快；其它浏览器走 WASM，慢一些。
唱歌的歌词会比口播难识别（伴奏干扰）——后续可先做「人声分离」再识别，准确率明显提升。
装了「追光引擎」的用户：识别会自动切到本地 Qwen3-ASR，比浏览器 Whisper 更准更快，带 BGM 的素材差距尤其明显。
还没装？下载与安装教程在这里（跟声线织造的真人配音共用同一个引擎，只需要操作一次）。
自托管（国内推荐，不受墙）：把模型放到你网站，识别完全走自己域名。
1. 在站点建目录 tools/models/whisper-base/（含子目录 onnx/）
2. 上传这 7 个文件（从 hf-mirror.com 直接下载即可）：
根目录：config.json · generation_config.json · preprocessor_config.json · tokenizer.json · tokenizer_config.json
onnx/ 下：encoder_model_quantized.onnx · decoder_model_merged_quantized.onnx
3. 「模型源」选 自托管、模型选 base → 开始识别（同源加载，无需联网外站）。
不管选哪种，文件都不上传——全程在你自己的机器上完成，音视频不会离开本地。
识别出来的字幕支持逐句校对和时间轴微调。有两个细节值得注意：一句字幕不要超过一行半，观众读不完；字幕的进出时间要留一点余量，紧贴着语音开始和结束会让人觉得跳。
时间轴上还有一个容易忽略的问题——由像素拖动换算出来的时间点，几乎不会正好落在帧边界上。字幕差半帧通常看不出来，但做逐字卡点时就会露馅。原理写在剪辑接缝为什么会闪一帧里。
导出的字幕可直接带回追光剪辑的字幕轨继续编辑。