বাগ / বৈশিষ্ট্য অনুৰোধ প্ৰতিবেদন কৰক

স্পিকার চিনাক্তকৰণ আৰু ডায়াৰাইজেশন

স্বয়ংক্ৰিয়ভাৱে আপোনাৰ অডিঅ' আৰু ভিডিঅ' অনুবাদত বিভিন্ন স্পিকারক চিনাক্ত কৰক আৰু লেবেল কৰক। সঠিকভাৱে জানক কোনে কি ক'লে।

জনসাধাৰণৰ বাবে উপলব্ধ অডিঅ' আৰু ভিডিঅ'ৰ সৈতে কাম কৰে। DRM-প্ৰতিৰক্ষা কৰা সমল সমৰ্থিত নহয়।

উন্নত কৰাৰ বাবে উন্নত কৰক
Private transcript
অনুলিপিৰ সৈতে চেট কৰক
Pro ৰ সৈতে আনলক কৰক →
নথিপত্ৰ এখানে স্থাপন কৰক অথবা ব্ৰাউছ কৰিবলৈ ক্লিক কৰক
MP3, WAV, M4A, FLAC, MP4, MKV, MOV, WebM — ২GB ৰ ভিতৰত
একাধিক নথিপত্ৰ আপলোড কৰক প্ৰো
উন্নত কৰাৰ বাবে উন্নত কৰক
Private transcript
অনুলিপিৰ সৈতে চেট কৰক
Pro ৰ সৈতে আনলক কৰক →
উন্নত কৰাৰ বাবে উন্নত কৰক
ৰেকৰ্ডিং: 0:00
ৰিয়েল-টাইম মোম (অবিলম্বে)
উন্নত উচুপি উচুপি (সঠিক)
ৰাজহুৱা লিঙ্ক: ২৪ ঘন্টা, কেৱল টেক্সট · নিবন্ধন কৰক 7d + অডিঅ'ৰ বাবে · প্ৰো ব্যক্তিগত লিঙ্কসমূহৰ বাবে

ৰিয়েল-টাইম কথোপকথনক টেক্সটত ৰূপান্তৰ কৰক। আপুনি কথোপকথন কৰাত AI এ স্বয়ংক্ৰিয়ভাবে সঠিক কৰে - দীঘল কথোপকথনৰ সৈতে সঠিকতা উন্নত হয়।

প্ৰথমে আপোনাৰ মাইক্রোফোন পৰীক্ষা কৰক
❤️ STT.ai ভাল পায়? আপোনাৰ বন্ধুসকলক কওক!
আপুনি আপোনাৰ মুক্ত অনুবাদ ব্যৱহাৰ কৰিছে

৬০০ মিনিট/মাহ লাভ কৰিবলৈ বিনামূলীয়াকৈ নিবন্ধন কৰক, অথবা অসীমিত অনুবাদৰ বাবে আপগ্ৰেড কৰক।

বিনামূল্যে নিবন্ধন কৰক লগ-ইন কৰক
১০ মুক্ত মিনিট/দিন 600 মিনিট বিনামূলীয়া ক্ৰেডিট কাৰ্ড নাই এনক্ৰিপ্ট কৰা
বিনামূল্যে নিবন্ধন কৰক →

স্পীকাৰ ডায়াৰাইজেশন কি?

স্পিকার ডায়াৰাইজেশন হৈছে স্পিকারৰ পৰিচয় অনুসৰি অডিঅ' স্ট্ৰিমক অংশত বিভাজন কৰাৰ প্ৰক্ৰিয়া। সৰলভাৱে ক'লে, ই প্ৰশ্নৰ উত্তৰ দিয়ে "কে ক'ত কথা ক'লে?" 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.

স্পিকার চিনাক্তকৰণ কিদৰে কাম কৰে

1. শব্দ কাৰ্য্য চিনাক্তকৰণ

চিস্টেমে প্ৰথমে অডিঅ'ৰ যি অংশত নীরবতা, সঙ্গীত বা পটভূমিৰ শব্দৰ বিপৰীতে কথা আছে সেই অংশসমূহ চিনাক্ত কৰে।

২. স্পিকার এম্বেডিং

প্ৰতিটো কথোপকথন অংশ এটা স্পিকার এম্বেডিংত পৰিবৰ্তন কৰা হয় -- এটা কমপেক্ট ভেক্টৰ যি স্পিকারৰ অনন্য কথোপকথন বৈশিষ্ট্যসমূহ ধাৰণ কৰে।

3. ক্লাষ্টিং আৰু লেবেলিং

একে স্পিকারৰ পৰা অংশসমূহ একত্ৰিত কৰিবলৈ এম্বেডিংসমূহ ক্লাস্টাৰ কৰা হয়, তাৰ পিছত প্ৰতিটো ক্লাস্টাৰক এটা লেবেল প্ৰদান কৰা হয় (স্পিকার ১, স্পিকার ২, ইত্যাদি)।

স্পিকার চিনাক্তকৰণৰ বাবে ব্যৱহাৰৰ ঘটনাসমূহ

সভা অনুলিপি
সভাৰ ৰেকৰ্ডিংত প্ৰতিজন অংশগ্ৰহণকাৰীক স্বয়ংক্ৰিয়ভাবে লেবেল কৰক। যিজনে কি কৈছিল তাৰ স্পষ্ট অনুলিপি সহ মিনিটসমূহ সৃষ্টি কৰক।
পডকাস্ট অনুবাদ
পোডকাস্টৰ অধ্যায়সমূহত হোস্ট আৰু অতিথিৰ মাজত পাৰ্থক্য কৰক। সঠিক বক্তাৰ অনুদান সহ প্ৰদৰ্শন টোকাসমূহ সৃষ্টি কৰক।
সাক্ষাৎকাৰৰ অনুবাদ
গৱেষণা, সাংবাদিকতা আৰু নিয়োগৰ তথ্য-পত্ৰৰ বাবে সাক্ষাৎকাৰকাৰী আৰু সাক্ষাৎকাৰ গ্ৰহণকাৰীৰ উত্তৰ পৃথকভাৱে প্ৰদান কৰা।
আইনী আৰু অনুকৰণ
তদন্তকাৰী সংস্থাৰ পক্ষৰ পৰা শুনানি, শুনানি আৰু স্পষ্টভাৱে স্পিকারৰ পৰিচয় উল্লেখ কৰি শুনানিসমূহৰ আনুষ্ঠানিক ৰেকৰ্ড সৃষ্টি কৰা হ’ব।

STT.ai ত স্পিকার চিনাক্তকৰণ

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.

স্পিকার চিনাক্তকৰণ এতিয়া চেষ্টা কৰক

একাধিক স্পিকার ৰেকৰ্ড আপলোড কৰক আৰু স্বয়ংক্ৰিয়ভাবে স্পিকারসমূহ লেবেল কৰা দেখুৱাওক।

মুক্ত ৰূপে অনুবাদ আৰম্ভ কৰক

প্ৰায়শঃ সোধা প্ৰশ্নসমূহ

speaker detection 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 speaker detection the same as any other workflow. Paid plans starting at $5/month unlock longer files, private transcripts, and priority queueing.

speaker detection 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.

speaker detection 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 speaker detection 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.

speaker detection 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 speaker detection 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 speaker detection 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.