隨著 AI 不斷進步，現在語音轉文字真的變得超容易，最近發現到這個超強的 Whisper JAX 工具，支援直接麥克風自錄、上傳錄音檔和 YouTube 網址三種，我測試 8 分鐘影片不到 5 秒就完成，12 多分鐘影片也不用 10 秒，超級快，使用的模型是 Whisper API，準確度超高，中英混合也沒問題，還提供加入時間戳功能，重點是完全免費。
往後有什麼演講、開會錄音，還是影片要製作字幕檔，直接丟到這工具就能快速獲得文字內容。
Whisper JAX 超強語音轉文字免費 AI 工具，8 分鐘影片不到 5 秒就轉完
Whisper JAX 是放在 Hugging Face 的平台裡面，由 sanchit-gandhi 用戶分享，雖然介面只有英文，但操作很簡單，進到首頁後選擇你要使用的模式，「Microphone 麥克風」、「Audio File 聲音檔」、「YouTube」：
聲音檔部分可以點擊上傳，也能直接拖曳到視窗裡：
我先測試 YouTube，把 YouTube 網址放上後，按下面的 Submit 即可，它就會開始處理。另外它雖然有 translate 的選項，但目前看起來無法使用，就只能語音轉文字：
接著就放著給它跑完，會有秒數參考，但我覺得不準，大多時候都比它預估的快超級多，像這部阿達的 YouTube 影片有 8 分多鐘，它顯示要 51 秒，實際不用這麼久：
轉好之後，下方 transcription 就會顯示文字內容，厲害的地方在，不僅中英沒問題，連日文都可以，阿達影片中說到的日文都有辨識出來，但有一個錯誤就是。右上角有一個一鍵複製的小圖示，方便你快速複製所有內容：
這部影片實際只花了 4.8 秒就完成，比它預估的 51 秒快超多，所以那個秒數參考就好，不要看到秒數很長就嚇到：
再來我測試 MKBHD 最新的「Driving The New Fastest Car Ever」影片，一樣很快就轉錄好：
只花 9.7 秒，就轉錄好 12 多分鐘的影片：
中文部分轉錄好的文字，基本上中間都沒有符號，因此你可能會覺得很難分段，這時可以「Return timestamps」功能打開，再按下 Submit 轉錄，獲得的文字內容就會有時間戳：
根據開發者介紹，這款 Whisper JAX 使用的模型是由 OpenAI 推出的 Whisper large-v2，我測試很多部影片，準確度都有達到 99.9%，只有極微少數的語音如果講不太清楚，才有可能辨識錯誤。