第一次使用要先从 CDN 下载语音识别模型（约 44MB，浏览器会缓存，下次打开页面直接用）； 识别全部在本机浏览器里完成，音频不上传服务器、不用装软件。单段建议 30 分钟以内， 人声清晰、背景音乐少的片段效果最好。