刷外语教程、油管采访、海外纪录片，想加中文字幕，传统做法是：先听写英文、再一句句翻译、最后把字幕条对齐回时间轴。一集 20 分钟的访谈，手动做下来 3-4 个小时起步。AI 视频翻译（video translation / video subtitle translation）听上去完美——上传视频、选源语言和目标语言，一键出字幕。但你真去试，会发现准确率忽高忽低、专有名词乱翻、字幕条和画面老是对

很多人以为「视频转文字」就是把声音变成字，一键完事。真上手才知道，它和我做音频降噪、人声分离是同一类问题——都是在跟信号较劲，只是目标不同。云音雀的「视频转文字」走三步：选视频→设参数→进转换记录等结果。它把「设参数」单独拎出来这点是合理的，因为真正影响成品的不是工具多花哨，而是这几个旋钮：识别语言：中文/英文/方言，选错整篇都歪。时间戳粒度：按句还是按词。我要做字幕就选细粒度，后期对轴省事。文本

你把一段MP3拖进网页端的人声分离工具，十几秒后输出六条分轨——人声、鼓、贝斯、钢琴、吉他、其他。同样的操作在本地跑Demucs，RTX3060也要跑接近一分钟。更让人困惑的是，网页端是免费的，本地跑还要掏电费。很多人以为"在线工具肯定用了简化模型，质量不如本地跑完整版"。这个认知需要修正。在线工具能接近甚至匹配本地大模型的效果，不是因为魔法，而是因为服务端推理在三个层面做了本地做不到的事。第一个

你把手机浏览器打开，找了个在线人声分离工具，上传一首歌，等了三分钟——页面卡死了。或者进度条走完，下载下来的文件只有30秒，后半段直接静音。同样这首MP3在电脑上跑，十几秒就出结果。很多人以为"网页端工具手机也能用"，这个认知需要修正。浏览器的确能跑，但跑得好不好，取决于手机厂商砍了什么、浏览器封了什么、操作系统把什么藏起来了。六大限制：从硬件到权限的层层夹击限制一：WebAudioAPI的Aud

【摘要】云音雀(yunyinque.com)是一个面向中小创作者的网页端音视频处理工具箱，核心功能包括录音转文字、文字转语音及基础音视频编辑。该平台采用纯网页交互，支持常见格式转换和中文TTS合成（单一预设音色"擎苍"），但不具备多语种支持、情绪控制、声音克隆等进阶功能。评测显示其优势在于零部署易用性和2万字文本处理能力，适合短视频配音、会议转写等轻量需求，但与专业语音大模型平