錄音轉文字操作指南

先說清楚這不是什麼

• 機器會聽錯，而且聽錯時看起來很通順：模型是依聲音猜最可能的字，遇到聽不清楚的地方，可能補上一個發音相近、意思卻完全不同的詞。人名、地名、金額、電話、日期與帳號，一律要聽原始錄音確認。
• 沒有標點，也沒有說話者標示：模型只輸出字，不輸出標點；本頁不做聲紋或說話者分離。
• 國語為主：台語、客語、粵語、外語、濃重口音和中英夾雜都容易出錯；英文單字常被漏掉或寫成發音相近的中文字。無法辨識的字會顯示為「〔?〕」。
• 輸出原本是簡體字：模型輸出簡體，本頁用 OpenCC 轉成台灣用語的繁體字。詞彙轉換是規則式的，可能有轉得不自然或轉錯的地方，可以隨時切回模型原始輸出。
• 要交給律師或警方時：請連同原始錄音檔（不要只給草稿）與檔案的 SHA-256 一起提供，並說明草稿是機器產生、未經人工完整核對的。

錄音轉文字

把通話錄音、訪談或 LINE 語音轉成帶起訖時間的文字草稿，逐段播放核對與修改，再匯出 TXT、SRT、VTT、CSV、JSON，或送到線索推理艙。

做什麼

• 一次一個動作：選錄音檔、載入語音模型、開始辨識、核對與修改、匯出。單檔上限 200 MiB、60 分鐘。
• WAV 由本頁自己的程式分塊讀取（最省記憶體）；MP3、M4A、Ogg、Opus、FLAC 等交給瀏覽器內建解碼器整段解碼，錄音越長越吃記憶體，能不能解要看你的瀏覽器。已知 Chrome 類瀏覽器在部分環境不能解 M4A／AAC；遇到時頁面會說明，請改用 WAV 或 MP3。
• 每一段有起訖時間，可以按「播放這段」邊聽邊核對；可逐段修改文字、與下一段合併、在游標處分段、排除不要的段落。
• 計算檔案的 SHA-256 供你記錄「這份草稿是依哪個檔案產生的」。

不做什麼

• 不上傳錄音，不連到其他網站；不使用 localStorage、IndexedDB、Cookie 或快取儲存你的錄音與文字。關閉或重新整理分頁後，結果就沒有了，請先下載或複製。
• 不加標點、不分辨說話者、不判斷情緒或真偽、不一定完整：沒被切到的聲音（過小聲、被雜音蓋住）不會出現在結果裡。
• 不修改你的原始錄音檔。

規則細節（這些規則是怎麼訂的）

• 切段：先用 Silero VAD 找出「有人聲」的區間，再對每一段區間前後留一點餘裕、單段最長切到 15 秒（太長的區間在音量最低處附近切開）。切段不是依句子，所以一段可能是半句或兩句。
• 兩種切段預設：「一般」適合安靜、音量穩定的錄音；「雜訊多」把偵測門檻放得更低、需要更長的靜音才切開，適合有明顯背景雜音或電話收音。「自動判斷」只是依整段錄音「講話與背景的音量落差」做的粗略規則：以 30 毫秒為一格算音量，取高段與低段的差距，低於 22 dB 就選「雜訊多」，否則選「一般」。這個門檻只用我們自己合成的少量測試音檔調過，沒有在大量真實錄音上驗證；它判斷錯時，請自己改選另一種再辨識一次（不需要重新載入模型）。
• 送進偵測前的音量調整：切段偵測用的是調整過音量的副本（取第 99.5 百分位調到約 0.9，最多放大 12 倍），辨識用的是原音量；你的原始檔不會被改動。
• 取樣率：辨識需要 16 kHz 單聲道。多聲道取各聲道平均；不是 16 kHz 的檔案，由瀏覽器解碼器或本頁的重新取樣程式轉換。電話錄音（8 kHz）能辨識，但高頻資訊本來就沒有，效果通常比較差。
• 重新辨識：已經手動修改過的段落，重新辨識會被取代，所以按鈕會要你再按一次確認；要保留請先下載或複製。

選配包怎麼安裝（給不熟技術的人）

1. 向網站管理者取得「語音轉文字選配包」的壓縮檔（可能分成好幾個，檔名帶有編號）。
2. 把全部壓縮檔解壓縮到「網站資料夾」，讓資料夾裡出現 v237-packs/asr/pack.json，以及 engine、model、vad、LICENSES 幾個子資料夾。分成多個壓縮檔時，每一個都要解壓縮到同一個位置，檔案才會湊齊。
3. 回到錄音轉文字頁，選一個錄音檔。頁面會自動檢查選配包是否齊全；不齊時會列出缺哪些檔案。
4. 按「載入語音模型」。首次載入要讀取約 65 MiB，並逐檔核對 SHA-256；核對不符就不會啟用。

如果你是從別人給的 zip 檔安裝，只放一部分檔案、解壓縮到錯的資料夾或上傳中斷，都會被檢查擋下並說明原因。

如何自行驗證

• 抽樣聽核：從你的錄音中隨機選幾個片段（開頭、中間、結尾各一段），一邊聽一邊對照草稿，自己計數錯幾個字。樣本是你自己的錄音，才有代表你的情境。
• 算字錯誤率（CER）：把你人工聽打的正確文字存成 truth.txt，把草稿（下載 TXT 後去掉時間與聲明，或複製段落）存成 asr.txt，執行下面的 Python：

import re, unicodedata
def strip(s): return re.sub(r"\s+", "", unicodedata.normalize("NFC", s))
def edit(a, b):
    prev = list(range(len(b) + 1))
    for i, x in enumerate(a, 1):
        cur = [i]
        for j, y in enumerate(b, 1):
            cur.append(min(prev[j] + 1, cur[j - 1] + 1, prev[j - 1] + (x != y)))
        prev = cur
    return prev[-1]
truth = strip(open("truth.txt", encoding="utf-8").read())
asr = strip(open("asr.txt", encoding="utf-8").read())
print("CER = %.3f" % (edit(truth, asr) / max(1, len(truth))))

• 算之前，兩邊要用同一種字（簡體或繁體）、同樣處理標點與數字寫法（例如「3」與「三」），否則會把寫法差異算成錯字。
• 確認沒有外送：用瀏覽器開發者工具的「網路」分頁，載入並辨識一次，應該只有本站網域的請求（頁面、程式、選配包的檔案），沒有其他網域，也沒有上傳。
• 核對選配包檔案：用 sha256sum 對 v237-packs/asr/ 底下的檔案計算，與 pack.json 內的值比對；README.txt 與 LICENSES 說明各檔來源與授權。

模型怎麼選的（少量公開範例錄音，非代表性樣本）

候選有三個小型中文模型。比較用了模型發布頁附的 3 段國語範例錄音（共 72 個字），每段做成 4 種版本：原音、降到 8 kHz 的電話音質、加白雜訊（約 10 dB 訊雜比，3 種亂數）、加粉紅雜訊（同上，3 種亂數），共 24 個音檔。

• 參考文字不是人工聽打：樣本發布頁沒有附逐字稿，我們用三個模型在原音上的輸出做共識當參考。所以「原音」欄對先被拿來定參考的結果有利，這一欄不能當作真實的錯字率；加雜訊那幾欄相對有參考價值，但參考本身仍可能有錯。
• 樣本數極少：3 段、72 個字、同一批說話者與內容；雜訊是合成的。這個比較只能說「在這幾段上，A 在加雜訊後的錯字數比 B、C 少」，不能說「A 比較準」。
• 速度是在一台雙核心、同時有其他工作在跑的機器上量的，只是量級參考；你的裝置會不一樣。
• 方言與夾雜英文：另外試了四川話、天津話、河南話與中英夾雜各一段，只觀察輸出沒有算錯字率；輸出與實際內容差距明顯，請不要期待這些情況能用。
• 切段預設的調整，是用我們合成的 6 段長音檔（拼接說話片段與靜音，部分加雜訊或電話音質）調的，等於用同一批資料調參再測，結果偏樂觀。調好後在這批資料上，「一般」預設共 116／1170 個字編輯，「雜訊多」預設 84／1170；乾淨的檔案「一般」較好，加雜訊的兩種檔案「雜訊多」好得多。這只是說明兩種預設各自適合的情境，不是準確率。

速度、記憶體與已知限制

• 載入：模型與引擎約 65 MiB，載入後引擎自己佔用約 0.5 GiB 記憶體（WebAssembly 預留），低記憶體的手機或舊裝置可能載入失敗，頁面會說明原因。
• 辨識時間：在我們的測試環境，辨識時間大約是錄音長度的一成上下（量級參考，實際看裝置）。辨識在背景工作程式執行，頁面仍可操作；請保持分頁在前景，手機不要鎖定螢幕。
• 取消：按「取消」會在下一個小段落結束後停止，已辨識的段落保留；若背景程式沒有回應，會強制停止並卸載模型，之後需要重新載入。
• 引擎程式的驗證：選配包每個檔案的 SHA-256 在載入時都會核對；但瀏覽器規定引擎的 JavaScript 檔要用網址載入執行，所以「核對過的那一份」與「實際執行的那一份」是各自讀取的兩次請求，兩者來自同一個網站，這一點無法用瀏覽器現有的機制改成同一份。
• 瀏覽器需求：需要支援 WebAssembly 與 Web Worker；解壓縮需要 DecompressionStream（近年的 Chrome、Edge、Firefox、Safari 都有）。
• 授權：引擎是 sherpa-onnx（Apache-2.0）、切段是 Silero VAD（MIT）；引擎的 wasm 檔內另含其他開源元件，詳見選配包內的 LICENSES/NOTICE.txt。語音辨識模型的上游沒有附明確的授權條款文字，使用與再散布前請自行向上游確認。

常見誤解

• 「機器轉出來的就是逐字稿」：不是。它是草稿；沒有人工聽核之前，不要當成對話的真實記錄。
• 「通順代表正確」：不對。模型常把聽不清楚的地方補成通順的句子。
• 「音量調大辨識就會變好」：不一定。放大也會放大雜音；本頁已自動調整切段偵測用的音量，辨識用的是原音量。
• 「自動判斷雜訊一定對」：不是。它是粗略規則，判斷錯時請手動改選再辨識。
• 「切得越碎越好」：不是。太碎會讓每段缺少上下文，辨識更容易錯；可以用「與下一段合併」調整。