የድምፅ አሰጣጥ

በራስ-ሰር ለይቶ እና መለያ የተለያዩ ተናጋሪዎች በድምፅ እና ቪዲዮ ትረካዎች. ያውቁት የትኛው ምን አለ

ለሕዝብ የተቀመጠ ድምፅና ቪዲዮን ይጠቀማል. DRM-ተከላካይ ይዘት አይደገፍም

ለተሻሻለ
የግል
ፋይል (_F)
ከፕሮ ጋር አስወግዱ →
ፋይሉን እዚህ አስቀምጥ ወይም ለመዝጋት ጠቅ አድርግ
MP3, WAV, M4A, FLAC, MP4, MKV, MOV, WebM — እስከ 2GB
ለተሻሻለ
የግል
ፋይል (_F)
ከፕሮ ጋር አስወግዱ →
ለተሻሻለ
ማስመዝገብ 0:00
ወቅታዊ ቅርበት ርቀት (%s)
የተሻሻለ ሹክሹክታ (ጥሩ)
የሕዝብ ግንኙነቶች: 24h, ጽሑፍ ብቻ · ምዝገባ ለ 7d + ድምፅ · ለግል ግንኙነቶች

የጊዜው ንግግር ወደ ጽሑፍ. AI እንደምትናገሩት በራሱ ይቀየራል - ትክክለኛነት በረጅም ንግግር ይሻሻላል

ሚክሮፎንዎን በመጀመሪያ ይሞግቱ
❤️ STT.aiን ወዳጅነት?
ነጻ መዝገበ ቃላትን ተጠቅመሃል

600 ደቂቃዎች ለማግኘት ነፃ መዝገብ ያድርጉ፣ ወይም ከ5 ዶላር/ወር ለሺዎች የሚቆጠሩ ተጨማሪዎች ከፍታ ያድርጉ።

10 ነጻ ደቂቃዎች/ቀን 600 ደቂቃዎች ነፃ የክሬዲት ካርድ የለም የተደበቀ
ነጻ →

የተናጋሪ መዝገብ ምንድን ነው?

የተናጋሪ መዝገብ ቤት የድምፅ ፍሰትን በተናጋሪው ማንነት መሠረት ወደ ክፍሎች የመከፋፈል ሂደት ነው። በነፃ ቃላት፣ "ማን የት ተናግሯል?" የሚለውን ጥያቄ መልስ ይሰጣል This is essential for multi-speaker recordings like meetings, interviews, podcasts, conference calls, and legal proceedings where knowing who said what is just as important as what was said.

STT.ai uses advanced neural speaker diarization models that can detect and label speakers in real time. The system creates speaker embeddings -- numerical representations of each voice's unique characteristics -- and clusters them to distinguish between different people. This works even when speakers have similar voices or frequently interrupt each other.

የድምፅ አሰጣጥ መፈለጊያ እንዴት እንደሚሠራ

የድምፅ እንቅስቃሴ

ሲስተሙ በመጀመሪያ የድምፅ ክፍሎችን የትኛውን ንግግር versus ድምጽ፣ ሙዚቃ ወይም የኋላ ድምፅን ያካትታል?

2. የድምፅ አዳሚ

የንግግር ክፍል ሁሉ ወደ ተናጋሪው embedding ይለወጣል - የተናጋሪው የድምፅ ባህሪያትን የሚይዝ የኮምፕሌክስ ቬክተር ነው።

3. ማሰባሰብ እና መለያ

embeddings ከአንድ ተናጋሪ ጋር ክፍሎችን ለመሰብሰብ ክስተቶች ናቸው, ከዚያ ክስተት ሁሉ መለያ ተሰጥቷል (ተናጋሪ 1, ተናጋሪ 2, ወዘተ.)

የድምፅ አሰጣጥ

የስብሰባ መዝገብ ቤት
የስብሰባ መዝገቦችን በራስ-ሰር ለእያንዳንዱ ተሳታፊ ምልክት አድርግ. የምንለውን ማን እንደተናገረው ግልጽ የሆነ ማስረጃ ያለውን መዝገብ ቤት ይፈጥሩ
የፖድካስት መዝገብ ቤት
በፖድካስት ክፍሎች ውስጥ ተቀባዮች እና እንግዶች መካከል ልዩነት. በትክክል ተናጋሪውን በመስጠት ማስታወሻዎችን ያሳዩ
የቀረበው
ለምርምር፣ ለዜና፣ ለሥራ ማስፈጸሚያ ሰነዶች የተሰጠውን የቀረበውን ጥያቄና የተሰጠውን መልስ ለይቶ ማየት
የሕግ እና የደንብ መጣስ
የምርመራ መዝገቦችን፣ የፍርድ ቤቶችን፣ የፍርድ ቤቶችንና የፍርድ ቤቶችን የግልጽነት ጥሪን በግልጽ የተናጋሪው መታወቂያ ጋር መፍጠር።

Speaker Detection on STT.ai

Speaker detection is available on all paid plans. When you transcribe audio or video with speaker detection enabled, the transcript will include speaker labels inline with the text. You can also export speaker-labeled transcripts in all supported formats including SRT, VTT, DOCX, JSON, and PDF.

Speaker 1 [00:00:01]: Welcome to the meeting, everyone. Let's start with the quarterly review. Speaker 2 [00:00:05]: Thanks. I have the numbers ready. Revenue is up 23% quarter over quarter. Speaker 1 [00:00:12]: That's great news. Can you walk us through the breakdown?

The system can detect up to 20 distinct speakers in a single recording. For best results, ensure each speaker has at least a few seconds of solo speech. Overlapping speech is handled but may reduce accuracy in heavily cross-talked segments.

የድምፅ አሰጣጥ ምርመራን አሁን ይሞክሩ

የብዙ-ተናጋሪ መዝገብ ቤትን ጫን እና ተናጋሪዎችን በራሳቸው ምልክት ያድርጉ

ነጻ

ብዙ ጊዜ የሚጠየቁ ጥያቄዎች

የድምፅ አዳሚ በምስክሩ ውስጥ ይሠራል: URLን አስቀምጥ፣ ፋይልን አስቀምጥ፣ ወይም ከማይክሮፎንህ መዝገብ ቤት ውስጥ አስቀምጥ። STT.ai AI ሞዴልን ይመርጣል እና 5 ደቂቃዎች ውስጥ መዝገብ ቤቱን ይመልሳል. እንደ TXT፣ SRT፣ VTT፣ DOCX፣ JSON ወይም PDF አድርገህ አስወጣ

አዎ - ሁሉም ጎብኚዎች 600 ነፃ ደቂቃዎች STT.ai ላይ ለመጀመር ይቀበላሉ, ለ የድምፅ አዳሚ እንደ ማንኛውም ሌላ የሥራ ፍሰት ተመሳሳይ ነው. የተከፈለ ፕሮግራሞች በ $5 / ወር የሚጀምሩ ረጅም ፋይሎችን ፣ የግል ትርጉሞችን እና የቅድሚያ መስመርን ይክፈቱ.

የድምፅ አዳሚ እንደ STT.ai ሌሎቹ ሁሉ በተመሳሳይ AI ሞዴሎች ላይ ይሠራል - ምርጥ ሞዴሎቻችን በጥሩ ንግግር ላይ 95-97% ትክክለኛነትን ያገኛሉ (በቤንኬም ላይ 3-5% የቃል ስህተት መጠን)። የመጀመሪያው መውጣት ከስኬትዎ በታች ከሆነ ሞዴሎችን በፍጥነት ይለውጡ።

የድምፅ አዳሚ ከSTT.ai 10+ ሞዴሎች ውስጥ ማንኛውንም ሊሠራ ይችላል - STT.ai የተሻሻለ (በጣም ትክክለኛ), Whisper Large V3 (99 ቋንቋዎች), NVIDIA Canary (#1 WER በተደገፈ langs), Whisper Turbo (ፍጥነት), Moonshine (ቀላል ክብደት), እና ሌሎች.

አዎ. ሁሉ transcript እንደ SRT ወይም VTT መውጣት - YouTube, Vimeo, TikTok, VLC, እና ሁሉም ዋናው የቪዲዮ ተጫዋች ጋር ይሠራል. የ Burn-subtitles መሳሪያ እንደ hardsubs በቪዲዮ ላይ ይተላለፋል.

አዎ. የድምፅ አዳሚው ቀን መቁጠሪያ በራስ-ሰር የድምፅ እያንዳንዱን (ድምፅ አዳሚ 1, ድምፅ አዳሚ 2,...) ይለጥፋል እናም በውስጠኛው ማቀናጃ ውስጥ ስምዎን መለወጥ ይችላሉ። በሁሉም ሞዴሎችና ቋንቋዎች ላይ ይሠራል

አብዛኛዎቹ የድምፅ አዳሚ ስራዎች በ5 ደቂቃዎች ውስጥ ይጨርሳሉ. የ1 ሰዓት የድምፅ ፋይል በፍጥነት በሚገኙ ሞዴሎች በ2-3 ደቂቃዎች ውስጥ ይጨርሳል. ፍጥነት በተመረጠው ሞዴል እና በአሁኑ የጂፒዩ ጭነት ላይ ይወሰናል.

የድምፅ አዳሚ 20+ ቅርጸቶችን ይቀበላል - MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI, እና ሌሎች. ውጤቱን ወደ TXT, SRT, VTT, DOCX, JSON ወይም PDF ያቅርቡ

አዎ. ወደ የድምፅ አዳሚ የተላኩ የድምፅ ፋይሎች በመጀመሪያው መልክ ይሠራሉና ይተዉታሉ. ፕሮ ፕሮግራሞች ክላሲክ-ሳይድ ሶፍትዌር ሶፍትዌር ይጨምራሉ - STT.ai's ዴስክቶፕ ቢደፈርስም እንኳ፣ ትራንስክሪፕቶቹን ያለመክፈቻዎቹ አይነበቡም. መረጃው ያለግልጽ መግባባት ለሞዴል ትምህርቶች አይጠቀምም

አዎ. STT.ai ከፒታና እና ከኖዴ.ጄ.ኤስ.ዲ.ኬ ጋር የREST API ይሰጣል፣ ለክላድ እና ለኩርሰር ተጨማሪ የኤምሲፒ ሰርቨር - ሁሉም ለ የድምፅ አዳሚ የሥራ ፍሰቶች ሊጠቀሙበት የሚችሉ ናቸው። ነፃ የAPI ደረጃ 100 ደቂቃ / ወር ያካትታል ፡፡

አዎ. የድምፅ ፋይል ሁሉ በውስጡ ባለው ማቀናጃ ውስጥ ይከፈታል፣ እዚህ ቃላትን ማስተካከል፣ ተናጋሪዎችን መቀየር፣ ጊዜን ማስተካከል፣ ማስታወሻዎችን ማከል ይችላሉ። ሁሉንም ለውጦች በራስ-ሰር አስቀምጥ።

ሁሉ transcript አንድ ልዩ shareable URL ይቀበላል. ወደ DOCX ወይም PDF ኢሜይል ለማውጣት. ፕሮ ፕሮግራሞች ሚስጢራዊ ቃል-ተጠበቀ እና ዘላቂ አገናኞች ጨምሯል - ለ ክለሳ ሥራ ጥቅም ላይ.

STT.ai ዩቲዩብ፣ ቪሜዮ፣ ቲክቶክ፣ ሳንድክላውስ፣ ዙም፣ ግላዊነት የተላበሰ የጉግል ስብሰባ፣ የፖድካስት አዳራሾች፣ እና ሌሎችንም ጨምሮ 1,300+ መድረኮችን ይይዛል። የዩአርኤል ትርጉም በህዝብ የተገኘው ይዘት ብቻ ይሠራል - DRM- የተጠበቀ ምንጮች ሊተረጎሙ አይችሉም.