مفت AI ڳالھائڻ کان متن

100+ ٻولين ۾ آڊيو ۽ وڊيو کي متن ۾ تبديل ڪريو. 10+ AI ماڊل. ڳالهائيندڙ جي ڳولا. ڪابه رجسٽريشن جي ضرورت ناهي.

9.3K
ترڪيبون
235.9K
منٽ
100+
ٻوليون
70+
مفت اوزار

عام طور تي دستياب آڊيو ۽ وڊيو سان ڪم ڪري ٿو. DRM-protected مواد کي مدد نه ڏني وئي آهي.

وڌايل لاءِ اپ گريڊ
Private transcript
ٽرانسڪريٽ سان ڳالھايو
پرو سان کوليو →
فائل ھيڏانهن ڇڏ يا ڪلڪ ڪريو ته ڏسو
MP3, WAV, M4A, FLAC, MP4, MKV, MOV, WebM — 2GB تائين
وڌايل لاءِ اپ گريڊ
Private transcript
ٽرانسڪريٽ سان ڳالھايو
پرو سان کوليو →
وڌايل لاءِ اپ گريڊ
رڪارڊنگ: 0:00
ريئل-ٽائم موکي (وقت)
وڌايل ويسپر (صحيح)
عام لنڪ: 24h، صرف متن · رجسٽر ٿيو 7d + آڊيو لاءِ · پرو پرائيويٽ لنڪ لاءِ

سچي وقت جي ڳالھائڻ کي متن ۾. AI پاڻمرادو درست ڪندو جيئن توھان ڳالھايو - دقت ڊگھي ڳالھائڻ سان بهتر ٿيندي.

پنھنجو مائڪروفون پھريون پرکي
❤️ STT.ai کي پيارو آهي؟ پنھنجن دوستن کي چئو!
توھان پنھنجي مفت ترميم استعمال ڪئي آھي

600 منٽ/مھينو حاصل ڪرڻ لاءِ مفت ۾ رجسٽر ٿيو، يا لامحدود ترڪيبون حاصل ڪرڻ لاءِ اپ گريڊ ڪريو.

10 مفت منٽ/ ڏينھن 600 منٽ مفت سان رجسٽريشن ڪو ڪريڊٽ ڪارڊ نه ڳجھي طرح محفوظ
مفت ۾ رجسٽر ٿيو →
ڪلائنٽ-سائڊ انڪرپٽ ٿيل اسٽوريج — توھان جا ترانسڪريپٽ توھان جي برائوزر ۾ ڳجھي طرح محفوظ آھن. اسان به انھن کي نه پڙھي سگھندا آھيون. ڪيئن ڪم ڪري ٿو ڄاڻو →

STT.ai ڪيئن ڪم ڪري ٿو

صحيح نقل لاءِ ٽي قدم

1. اپ لوڊ، رڪارڊ يا پيسٽ URL

ڪنهن به آڊيو يا وڊيو فائل (MP3، WAV، MP4، ۽ 20+ فارميٽ) کي ڌڪيو ۽ ڇڏ. پنهنجي مائڪروفون کان ريڪارڊ کي حقيقي وقت ۾. يا يوٽيوب، ويميو، ٽڪ ٽاڪ ۽ 1,300+ پليٽ فارمن مان لنڪ کي چٽيو.

2. AI توهان جي ماڊل جي چونڊ سان نقل ڪري ٿو

10+ AI ماڊلز مان چونڊيو بشمول ويسپر، NVIDIA Canary (#1 دقت) ۽ Moonshine. 100+ اختيارن مان خودڪار ٻولي ڳوليو. اسپيڪر diarization جيڪو چيو ته ڇا جي سڃاڻپ.

3. برآمد، حصيداري يا گڏ ڪرڻ

TXT، SRT، VTT، DOCX، JSON، يا PDF طور ڊائون لوڊ ڪريو. لنڪ ذريعي شيئر ڪريو. اسان جي API کي پنهنجي ايپليڪيشن ۾ ترميم ڪرڻ لاءِ استعمال ڪريو. سبٽيڪل، ڪانفرنس جون نوٽس، پوڊ ڪاسٽس ۽ وڌيڪ لاءِ مڪمل.

100+
مدد ڪيل ٻوليون
70+
مفت اوزار
1,300+
مدد ڪيل پليٽ فارم
7
برآمد جي شڪل

ڊيولپر-پھرين API

منٽن ۾ پنھنجي ايپليڪيشن ۾ ڳالهائڻ-لکڻ کي شامل ڪريو. RESTful API سان حقيقي وقت WebSocket اسٽريمنگ.

ويب ساڪٽ — فائل اپ لوڊ ۽ ريئل ٽائيم اسٽريمنگ
گھڻا ماڊل — ويسپر، ڪينري، وڌايل ۽ وڌيڪ
اسپيڪر — پاڻمرادو ڳولا ڪير ڇا چيو
لچڪدار ٻاھرجوءِ — JSON, TXT, SRT, VTT لفظن سان گڏ وقت جي نشانين سان
import requests

response = requests.post(
    "https://api.stt.ai/v1/transcribe",
    headers={"Authorization": f"Bearer {API_KEY}"},
    files={"file": open("meeting.mp3", "rb")},
    data={
        "model": "large-v3-turbo",
        "language": "auto",
        "diarize": "true",
        "response_format": "json",
    },
)

result = response.json()
for seg in result["segments"]:
    print(f"{seg['speaker']}: {seg['text']}")

ٻئي ڳالھائڻ مان متن جي خدشات ۾ تبديل ڪرڻ چاهيو ٿا؟

نقل ڪرڻ لاءِ تيار آھيو؟

پنهنجي پهرين فائيل مفت ۾ اپ لوڊ ڪريو. ڪو به ڪرائيٽ ڪارڊ، ڪو به رجسٽريشن. مفت منصوبي تي مهيني ۾ 600 منٽ.

لکڻ شروع ڪريو

گھڻا پڇيل سوال

speech to text runs in your browser: paste a URL, upload a file, or record from your mic. STT.ai picks the AI model and returns the transcript in under 5 minutes. Export as TXT, SRT, VTT, DOCX, JSON, or PDF.

Yes — every visitor gets 600 free minutes/month on STT.ai, usable for speech to text the same as any other workflow. Paid plans starting at $5/month unlock longer files, private transcripts, and priority queueing.

speech to text runs on the same AI models as the rest of STT.ai — our best models reach 95-97% accuracy on clean speech (3-5% Word Error Rate on benchmarks). Switch models on the fly if the first pass is below your target.

speech to text can run on any of STT.ai's 10+ models — STT.ai Enhanced (most accurate), Whisper Large V3 (99 languages), NVIDIA Canary (#1 WER on supported langs), Whisper Turbo (fast), Moonshine (lightweight), and more.

Yes. Every transcript exports as SRT or VTT — works with YouTube, Vimeo, TikTok, VLC, and every major video player. The burn-subtitles tool overlays them onto video as hardsubs.

Yes. Speaker diarization automatically labels each voice (Speaker 1, Speaker 2, ...) and you can rename them in the built-in editor. Works across all models and languages.

Most speech to text jobs finish in under 5 minutes. A 1-hour audio file typically completes in 2-3 minutes with our fastest models. Speed depends on chosen model and current GPU load.

speech to text accepts 20+ formats — MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI, and more. Output to TXT, SRT, VTT, DOCX, JSON, or PDF.

Yes. Audio files submitted to speech to text are processed and deleted by default. Pro plans add client-side encryption — even if STT.ai's database is breached, your transcripts are unreadable without your key. Data is never used for model training without explicit opt-in.

Yes. STT.ai offers a REST API with Python and Node.js SDKs, plus an MCP server for Claude and Cursor — all usable for speech to text workflows. Free API tier includes 100 minutes/month.

Yes. Every transcript opens in the built-in editor where you can correct words, rename speakers, adjust timestamps, and add notes. All changes save automatically.

Every transcript gets a unique shareable URL. Export to DOCX or PDF for email. Pro plans add password-protected and permanent links — useful for client work.

STT.ai handles 1,300+ platforms including YouTube, Vimeo, TikTok, SoundCloud, Zoom, Google Meet, podcast hosts, and more. URL transcription works with publicly-available content only — DRM-protected sources can't be transcribed.