最近看到一个挺有意思的开源项目，是一个纯前端音视频转文字工具。这个工具没有后端服务器，本地保存后就能作为静态网页使用，也可以直接部署到 GitHub Pages、Cloudflare Pages 这类静态托管平台。
长音频转文字真正麻烦的地方，往往不是识别本身，而是时长限制。很多在线 SaaS 工具会限制免费转写时长；自己调用语音识别 API 时，也经常会遇到单次音频长度限制。比如科大讯飞的语音听写流式接口，主要面向短音频即时识别场景，长会议录音通常不能直接整段丢进去处理。
voice-to-text-tools 就是把这一步前置到浏览器里完成。它会先在本地把长音频自动切成多个短片段，再按接口规则逐段发送识别，最后把识别结果重新合并成完整文本。这样用户不需要额外搭建后端服务，也不用手动剪音频。
摘要：这是一个利用前端算力处理长音频，并对接讯飞 API 的开源小工具。它最大的卖点是“浏览器自动分段识别”，不需要服务器部署。适合懂一点 API 配置、手里有超长会议录音或视频素材要转文字，又想自己控制成本的人使用。
纯前端音视频转文字工具的核心原理：浏览器分段 + 讯飞 API
很多简单的转文字网页，实际上只是加了个漂亮的 UI，你传大文件进去，它还是会因为不符合 API 的时长要求而报错。
而这个纯前端音视频转文字工具真正有价值的地方，是引入了 FFmpeg WebAssembly。这相当于把一个基础的音视频处理软件搬到了你的浏览器里。
当你上传一段 1 小时的会议录音时，工具会在你的本地浏览器里自动把它切成一个个几十秒的小段，然后再按照讯飞接口的规则，一段段地发过去识别。识别完成后，前端再把文字原封不动地拼装好，甚至还能帮你导出 TXT 或 Word。它用你电脑的本地算力，巧妙地适配了 API 的单次音频时长限制。
大白话解释：大厂接口的规矩是“一次只能听一小段”，以前你要么放弃，要么自己手动剪音频。现在这个网页就像个不知疲倦的剪辑助理，在你的浏览器里自动把录音剪好，分批递给大厂识别，最后再把识别出的文字合并整理给你。
上手流程：纯前端怎么配大厂 API？
因为没有后端，这个工具运行的前提是你得自备“钥匙”。使用前需要先准备讯飞 API 凭证，整体跑通大概需要三步：
- 注册账号：前往讯飞开放平台（xfyun.cn），注册并完成实名认证。
- 获取凭证：进入控制台，找到“语音听写服务”，创建应用后，获取对应的 APPID、API Key 和 API Secret。
- 填入配置：打开这个工具的网页（无论是在线演示版还是你自己本地双击打开的 HTML），在设置里填入这三项数据，就可以上传文件开始转录了。
纯前端不等于完全离线，隐私边界需要了解清楚
看到“无后端服务器”，很多人容易产生一个误区，以为它完全是在本地断网运行的，或者“数据绝对不上传”。所以这里必须明确它的边界。
项目确实不需要把你的 API Key 交给作者的服务器，凭证只保存在你浏览器的 localStorage 里，这防止了中间商窃取秘钥。但是，语音识别的过程依然要走网络。你的音频切片会被真实地发送给科大讯飞的云端服务器进行解析。
门槛与安全提醒：
1. 如果是涉密的商业会议或极度敏感的客户资料，别指望它能做到“物理隔离”，涉及机密依然不建议走云端 API 处理。
2. 识别质量不由工具决定：这个项目本质上是讯飞 API 的前端封装，识别准确率、方言支持程度，全部取决于讯飞后端的能力。
适合哪些人使用，不适合哪些场景？
适合折腾的场景：
- 个人用户偶尔转录长会议、课程、采访录音。
- 不想在商业工具上花钱，自己有能力配置 API，想尽量控制转写成本的独立开发者或极客。
- 需要快速搭一个自用的音视频转文字页面，直接部署到 GitHub Pages 等静态托管平台。
不太适合的场景：
- 对音频数据有严格合规要求、不允许经过任何第三方大厂的企业用户。
- 需要团队共享、多终端云同步、历史记录管理的场景（这只是个单页工具，没有账户体系）。
- 完全不想懂任何配置，只想要一键拖拽出结果的小白用户（老老实实用剪映或飞书更顺手）。
常见问题
Q：讯飞 API 免费额度怎么算？
A：根据讯飞语音听写接口当前公开文档，新创建应用默认通常会有每日 500 次免费调用量。具体额度、计费方式和政策可能调整，使用前建议以讯飞控制台显示为准。
Q：我的音视频文件会被第三方小网站存下来吗？
A：不会。文件切割分段在你的浏览器本地完成，识别时音频流直接发送给大厂（讯飞）的 API，不经过这个开源项目作者的任何中转服务器。
