自动生成字幕

识别视频或音频中的语音，生成带时间轴的字幕文件，可下载 SRT 或 VTT。

与「视频转文字」共用同一条本地推理链路，区别在于输出：识别结果按时间分段序列化为字幕文件，可下载 SRT（通用）或 VTT（Web 播放器）。

生成后建议抽查时间轴：语速极快或停顿极少的段落分句可能偏长，可用「字幕时间轴校正」微调，或在剪辑软件中继续编辑。

转录基于 OpenAI Whisper 模型的 ONNX 移植版，在浏览器内通过 WebAssembly 推理：先由本地 FFmpeg 提取 16kHz 单声道音频，再按 30 秒分块送入模型生成带时间戳的文本。模型与音视频数据均不离开设备，首次使用需下载模型权重（tiny 约 40MB，base 约 78MB）。

处理全程在浏览器本地完成，文件不上传服务器。