视频提取音频
把视频里的音轨分离出来导出 WAV，拖一下波形就能只留需要的一段。解码和导出都在浏览器本机完成。
视频和音频都只在这台浏览器里解码，不会上传。能读什么格式取决于浏览器自带的解码器，mp4、mov、m4a、mp3、wav、ogg 一般都能读，冷门编码除外。
为什么导出的只能是 WAV
浏览器里的 Web Audio API 自带解码器，mp4、mov 里的 AAC 音轨，以及 m4a、mp3、wav、ogg 都能读进来；但它没有编码器，没有任何标准接口能把音频重新压成 mp3 或 m4a。MediaRecorder 虽然能录音，输出的却是 webm、ogg 这类容器，码率也不可控。所以这一页老实写 16 位 PCM WAV：无损、任何软件都能打开，代价就是体积大。想压小可以导出后用 ffmpeg 过一道，192kbps 的 mp3 对大多数人声和音乐都够用。
体积差多少可以直接算出来。WAV 每个采样点都原样写下，1 分钟 44.1kHz 立体声是 60 乘 44100 乘 2 声道乘 2 字节，约 10.6MB；同样的音频用视频里常见的 128kbps AAC 压缩只要 1MB 出头。换句话说，从一段 100MB 的视频里把音轨抽出来，可能得到 60MB 的 WAV——这不是工具没压缩，而是无损和有损的分界。
采样率选「跟随源」时不做任何重采样，导出的是和原音轨完全一致的一份副本，这也是默认值。要减体积再考虑降采样：语音内容降到 16000 Hz 甚至 8000 Hz 依然听得清楚，依据是采样定理——8000 Hz 采样能表示的频率上限是 4000 Hz，恰好覆盖人声的主要能量范围；但音乐降到这个程度，镲片、齿音这些高频就没了，听起来发闷。重采样用的是线性插值，够用但不是发烧级的做法。
声道选择比采样率更影响体积。单声道把左右两路平均成一路，文件直接减半，会议录音、网课、语音笔记选它没有任何损失；音乐和影视片段才需要立体声，因为左右声道的差异就是声场。源音轨本来就是单声道时，选立体声只会把同一路复制两份，体积翻倍而听感不变，页面会针对这种情况给出提醒。
解不开的音轨通常是三种原因：视频压根没有音轨、音轨编码浏览器不支持（AC-3、DTS、部分 opus/webm 组合），或者文件带 DRM 保护。前两种都能用 ffmpeg 解决，转成标准 WAV 再拿进来。这一页只负责分离音轨，不做识别；要生成字幕得先拿到音频再走语音转写，然后用字幕格式转换整理时间轴。只想剪一段音频、不需要从视频里分离，用音频剪切；要的是画面而不是声音，用视频截图取帧或者视频转 GIF。
常见问题
为什么提取出来的是 WAV，不能直接存成 MP3？
因为浏览器只有解码器，没有编码器。Web Audio 能读 mp3、m4a 这些格式，却没有任何标准接口能把音频重新压成 mp3；MediaRecorder 输出的又是 webm、ogg 这类容器。所以这里写最稳的 16 位 PCM WAV：无损、任何软件都能打开，代价是体积大。要 mp3 就导出后再压一道：ffmpeg -i 提取.wav -b:a 192k 输出.mp3。
导出的 WAV 怎么比原来整个视频还大？
因为 WAV 存的是最原始的采样点，一个不丢。1 分钟 44.1kHz 立体声是 60 乘 44100 乘 2 声道乘 2 字节，约 10.6MB；同样的音频用视频里常见的 128kbps AAC 压缩，只要 1MB 出头。差出十倍属于正常，把采样率降到 16000 Hz 或改成单声道能让它缩到四分之一以内。
能只提取视频里的一小段吗？
能。在波形上拖一下就框出一段，也可以用两个滑块精确调整起止秒数，导出时只写这一段，不会把整段音轨写进文件。选区长度没有实际下限，但不到 0.05 秒的片段没有意义，工具会自动把它撑到 0.05 秒。
为什么有些视频提示解不出音频？
三种常见情况：视频本身就没有音轨（屏幕录制、静音素材很常见）；音轨编码浏览器不支持，例如 AC-3、DTS 或部分 opus/webm 组合；文件带 DRM 保护。前两种先用 ffmpeg 转一道再试：ffmpeg -i 输入.mp4 -vn -acodec pcm_s16le 输出.wav，转出来的 WAV 任何浏览器都能读。
采样率该选多少？
不确定就跟着源走，导出的是一份和原音轨一致的副本。要减体积可以降到 16000 Hz 或 8000 Hz：语音在 8kHz 下依然听得清楚，体积只有 44.1kHz 的六分之一左右。但音乐降太多会明显发闷，因为 8000 Hz 采样按采样定理只能表示到 4000 Hz 以下的频率，镲片和齿音全没了。
单声道还是立体声？
人声、会议录音、语音笔记选单声道，左右两路合并成一路，体积直接减半，听感几乎没有区别。音乐和影视片段保留立体声，两只耳朵听到的差异就是声场。源文件本来就是单声道时选立体声只会把同一路复制两份，文件大一倍而听感不变。
提取出来的音频能直接转成字幕吗？
这一页只做音轨分离，不做语音识别，所以不会自动出字幕。要字幕得再走一步：把导出的 WAV 丢给能离线跑的语音转写工具（whisper.cpp、剪映的识别功能等），拿到 SRT 之后再用字幕格式转换调整样式和时间轴。
视频有几个小时长，能处理吗？
能不能撑住取决于内存，而不是时长上限。decodeAudioData 必须把整段音频一次性解成 32 位浮点放进内存，一小时立体声 44.1kHz 大约 1.2GB，很多标签页在这一步就崩了。处理长视频建议先用 ffmpeg 截出需要的几分钟，再拿进来提取。