视频转文字

识别视频或音频中的语音，输出纯文本；浏览器本地完成，无需上传。

处理链路：本地 FFmpeg 提取音轨并转为 16kHz 单声道，解码后由 Whisper 模型按 30 秒分块推理，生成带时间戳的文本。识别语言可指定中/英/日/韩/西/法/德，或由模型自动检测。

Tiny 模型（约 40MB）速度优先，Base（约 78MB）对中文与英文识别更稳。模型权重首次使用下载一次，之后由浏览器缓存；推理速度约为实时的 1/4 到 1 倍。

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。