语音识别渠道的功能就是根据视频中的说话声音识别出文字，整理为带有精确时间轴的字幕。

温馨提示： 部分渠道，如 OpenAI、字节火山引擎等，需要您预先设置一下 API 地址或密钥（SK）才能使用。别担心，操作很简单！只需点击软件顶部的 “语音识别设置” 菜单，填入相应信息即可。

目前支持的 15 种语音识别渠道

为了满足不同用户的需求，我们提供了多种选择，涵盖本地离线模型和在线云服务。

点击渠道名字，查看该渠道详细使用方法。

💻 本地离线识别 (无需联网，保护隐私)

这类渠道需要在您第一次使用时下载模型文件到电脑里，之后就可以完全离线运行了。

• faster-whisper (本地模式)：一个非常受欢迎的本地识别方案。它以速度快、资源占用低而闻名，同时支持数十种语言的识别，是目前本地识别的优选方案之一。
• openai-whisper (本地模式)：来自 OpenAI 官方的开源模型，识别准确率高，支持的语言数量众多。
• 阿里 FunASR (中文识别)：阿里巴巴达摩院推出的开源模型，针对中文场景进行了特别优化，因此在识别中文时发音和断句都相当精准。
• faster-whisper-xxl.exe：这是一个专为 Windows 用户设计的超大模型版本，识别效果更好。您需要自行下载 faster-whisper-xxl.exe 文件来配合使用。
• Parakeet-tdt 语音识别：由英伟达（NVIDIA）开源的识别模型。这需要您自行部署服务，然后在软件的设置菜单中填入您的 API 地址。
• STT 语音识别 API：同样是一个需要您自行部署的开源项目，部署完成后将 API 地址填入软件即可使用。

☁️ 在线识别 (云端处理，功能强大)

这类渠道会将音频文件上传到云端服务器进行处理，通常效果出色，但部分服务需要付费或有使用限制。

免费或有免费额度：

• Google 语音识别：由 Google 提供的免费在线识别服务。效果尚可，但在国内使用需要科学上网。
• Elevenlabs.io 语音识别：一家专注于 AI 音频技术的公司提供的服务。您需要前往其官网注册并获取免费的 API Key，免费版额度有限制。
• deepgram.com 语音识别：一家知名的语音识别服务商，以高准确率和快速度著称。 您需要到其官网 deepgram.com 注册并申请 API Key。
• Gemini 大模型识别：Google 推出的强大模型，识别小语种的能力很突出。使用时需要有 Gemini API KEY，但国内使用需科学上网。
• 阿里百炼 Qwen3-ASR：基于阿里巴巴的“通义千问”大模型，您需要前往阿里百炼平台开通服务并创建 API Key。

需要付费或申请 API Key：

• 302.AI 语音识别：访问 302.ai 官网申请 app key 后即可使用。
• 字节火山字幕生成：字节跳动旗下的火山引擎提供的专业语音技术服务。 其中文识别效果非常出色，尤其适合处理带有口音或背景噪音的音频，需要您在火山引擎官网开通服务。
• OpenAI 语音识别：使用 OpenAI 官方提供的 API 进行识别，效果与本地版 Whisper 同样优秀，但需要您拥有 OpenAI 的 API 密钥（SK）。

🔧 高级自定义选项 (适合开发者)

如果您具备一定的技术背景，还可以尝试以下更灵活的方案：

• 自定义语音识别 API：如果您拥有编程能力，可以根据我们提供的数据格式标准，编写完全属于您自己的语音识别 API 接口，实现最大程度的定制化。