浏览器里跑 AI 语音转文字？Whisper Web 让我眼前一亮

你有没有想过，在网页上说话就能自动转成文字，而且这个过程完全在你的电脑上完成，根本不需要把录音上传到任何服务器？

Pierre Mesure 搞出来的 Whisper Web 就是这么个东西。

它把 OpenAI 的 Whisper 模型塞进了浏览器，让你直接在网页里做语音转文字。什么服务器、什么隐私风险，统统不存在。

开发者为什么应该关注

以前想在网页上加语音识别，基本就两条路：要么集成第三方 API，要么自己搭服务。

不管哪条，问题都很明显：

• 延迟高，体验差
• 按调用次数收费，用多了烧钱
• 数据安全部门天天追着你问"用户录音到底去哪了"

Whisper Web 把这套逻辑全掀翻了。

它的核心技术栈是 WebAssembly 加 WebGPU。简单说就是，浏览器现在有能力跑接近原生性能的代码，还能调用 GPU 做机器学习推理。Whisper 模型在本地跑，效果跟调用远程 API 差不多，但数据压根不用出门。

这意味着什么？

• 做隐私敏感的应用，音频全程留在用户设备上
• 做离线工具，没网也能用
• 高频转写场景，成本直接砍到零
• 给网页加无障碍功能，不用依赖任何外部服务

技术上怎么实现的

这个项目能跑起来，靠的是这几年浏览器技术的进步。

WebGPU 提供了算力支撑，让浏览器干以前根本干不了的 ML 任务。WebAssembly 提供了运行环境。再加上模型压缩优化，整个包体积控制在可接受范围内。

Mesure 这个项目参考了 Xenova 的工作——那位老哥早就证明过，Transformer 模型在浏览器里也能跑得挺溜。Mesure 在这个基础上做了封装，搞出一个普通开发者也能直接用的界面。

实际用起来什么样

举几个例子。

做远程医疗平台的创业公司，以前得把患者录音发到第三方转写服务，现在本地就能处理，省心又合规。

记者采访，录音直接转文字，不用担心源信息泄露。

这类需求在各行各业都有。

往大了说，这其实反映了 web 托管的一个趋势：客户端和服务端的边界越来越模糊。以后的网页应用不只是调调 API那么简单，很多 AI 能力直接就跑在你浏览器里。

想试试怎么入门

项目是开源的，现在就能拿到。

不管你是想找技术方案，还是单纯好奇浏览器现在能做到什么程度，都值得花时间玩一玩。

浏览器从当年的"看文档的工具"，正在变成"跑应用的平台"。Whisper Web 这样的项目，正在推着这个转变往前跑。