Speaker Detection & Diarization

Automatically identify and label different speakers in your audio and video transcriptions. Know exactly who said what.

এটা কিভাবে কাজ করে →
ক্লায়েন্ট-পাশের এনক্রিপশন সক্রিয় — আপনার ট্রান্সক্রিপশন সংরক্ষণের পূর্বে আপনার ব্রাউজার দ্বারা এনক্রিপ্ট করা হবে। সার্ভার আপনার অডিও ট্রান্সক্রিপশনের জন্য প্রক্রিয়া করবে, তারপর সংরক্ষণের পূর্বে ফলাফলটি স্থানীয়ভাবে আপনার কী ব্যবহার করে এনক্রিপ্ট করা হবে। (সব তথ্য সবসময় HTTPS এর মাধ্যমে এনক্রিপ্ট করা হয়।)
Speed varies by platform. Some transcripts are ready in seconds, others may take a few minutes depending on video length.
ফাইল এখানে ফেলে দিন অথবা ব্রাউজ করতে ক্লিক করুন
MP3, WAV, M4A, FLAC, MP4, MKV, MOV, WebM — ২GB পর্যন্ত
রেকর্ডিং: 0:00
বাস্তব সময় মোম (অবিলম্বে)
উন্নত হুশ করে (সঠিক)
পাবলিক লিংক: ২৪ ঘণ্টা, শুধু টেক্সট · নিবন্ধন করুন 7d + অডিও জন্য · Pro ব্যক্তিগত লিঙ্কের জন্য

বাস্তব সময়ের বাক্যের টেক্সট। আপনি কথা বললে AI স্বয়ংক্রিয়ভাবে সংশোধন করে - দীর্ঘ কথা বলার সাথে সাথে সঠিকতা উন্নত হয়।

প্রথমে মাইক্রোফোন পরীক্ষা করুন
❤️ STT.ai পছন্দ করেন? আপনার বন্ধুদের বলুন!
তুমি তোমার ফ্রি ট্রান্সক্রিপশন ব্যবহার করেছ

বিনামূল্যে ৬০০ মিনিট/মাস পেতে নিবন্ধন করুন, অথবা অসীমিত ট্রান্সক্রিপশনের জন্য আপগ্রেড করুন।

১০ মুক্ত মিনিট/দিন 600 মিনিট বিনামূল্যে সাইন আপ ক্রেডিট কার্ড নেই এনক্রিপ্ট করা
বিনামূল্যে নিবন্ধন করুন →

What is Speaker Diarization?

Speaker diarization is the process of partitioning an audio stream into segments according to the identity of the speaker. In simpler terms, it answers the question "who spoke when?" 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.

How Speaker Detection Works

1. Voice Activity Detection

The system first identifies which segments of audio contain speech versus silence, music, or background noise.

2. Speaker Embedding

Each speech segment is converted into a speaker embedding -- a compact vector that captures the unique vocal characteristics of the speaker.

3. Clustering & Labeling

Embeddings are clustered to group segments from the same speaker together, then each cluster is assigned a label (Speaker 1, Speaker 2, etc.).

Use Cases for Speaker Detection

Meeting Transcription
Automatically label each participant in meeting recordings. Generate minutes with clear attribution of who said what.
Podcast Transcription
Distinguish between host and guests in podcast episodes. Create show notes with proper speaker attribution.
Interview Transcription
Separate interviewer and interviewee responses for research, journalism, and hiring documentation.
Legal & Compliance
Create official records of depositions, hearings, and compliance calls with clear speaker identification.

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.

Try speaker detection now

Upload a multi-speaker recording and see speakers automatically labeled.

Start Transcribing Free

প্রায়শই জিজ্ঞাসিত প্রশ্ন

STT.ai-তে অডিও বা ভিডিও ফাইল আপলোড করুন, AI মডেল নির্বাচন করুন, ট্রান্সক্রাইব ক্লিক করুন। TXT, SRT, VTT, DOCX, JSON বা PDF-এ এক্সপোর্ট করুন।

হ্যাঁ! STT.ai সব ব্যবহারকারীকে মাসে 600 মিনিট বিনামূল্যে দেয়। প্রথম ট্রান্সক্রিপশনের জন্য সাইনআপ প্রয়োজন নেই।

সঠিকতা AI মডেল এবং অডিও গুণমানের উপর নির্ভর করে। আমাদের সেরা মডেল 93-95%+ সঠিকতা অর্জন করে।

STT.ai 10+ মডেল প্রদান করে যার মধ্যে রয়েছে Whisper Large V3, NVIDIA Canary, এবং আরও অনেক। আপনি একই ফাইলে বিভিন্ন মডেলের ফলাফল তুলনা করতে পারেন।

হ্যাঁ। অনুবাদ করার পর, আপনার অনুবাদ SRT অথবা VTT সাবটাইটেল ফাইল হিসাবে রপ্তানি করুন। এটি ইউটিউব, ভিমিও এবং সব প্রধান ভিডিও প্ল্যাটফর্মের সাথে কাজ করে।

হ্যাঁ। STT.ai স্বয়ংক্রিয়ভাবে AI speaker diarization ব্যবহার করে বিভিন্ন স্পিকারকে চিহ্নিত করে এবং লেবেল করে। সব মডেল এবং ভাষায় কাজ করে।

বেশিরভাগ ফাইল ৫ মিনিটের মধ্যে অনুবাদ করা হয়। আমাদের দ্রুততম মডেলগুলোতে ১ ঘণ্টার অডিও ফাইল সাধারণত ২-৩ মিনিট সময় নেয়।

STT.ai ২০+ অডিও এবং ভিডিও ফরম্যাট সমর্থন করে, যার মধ্যে MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM এবং AVI অন্তর্ভুক্ত। TXT, SRT, VTT, DOCX, JSON বা PDF হিসাবে রপ্তানি করুন।

হ্যাঁ। অডিও ফাইল প্রক্রিয়াজাত করা হয় এবং অনুবাদ করার পর মুছে ফেলা হয়। আপনার তথ্য প্রশিক্ষণের জন্য কখনো ব্যবহার করা হয় না। ক্লায়েন্ট-সাইড এনক্রিপশন সব প্ল্যানে বিনামূল্যে রয়েছে - এটি সংরক্ষিত অনুবাদকে একটি কী সহ এনক্রিপ্ট করে যা শুধুমাত্র আপনার কাছে রয়েছে। প্রক্রিয়াজাত করার সময়, সার্ভার আপনার অডিওকে প্লেইন-টেক্সটে পরিচালনা করে। আমাদের নিরাপত্তা সম্পর্কে জানুন.

হ্যাঁ। STT.ai পাইথন এবং Node.js SDKs এর সাথে একটি REST API প্রদান করে। বিনামূল্যে স্তরে ১০০ মিনিট/মাস অন্তর্ভুক্ত।

হ্যাঁ, STT.ai-এ একটি অভ্যন্তরীণ ট্রান্সক্রিপ্ট সম্পাদক রয়েছে যেখানে আপনি ভুল সংশোধন করতে পারেন, স্পিকারের নাম পরিবর্তন করতে পারেন এবং সময়সূচী ঠিক করতে পারেন।

প্রতিটি অনুলিপি একটি অদ্বিতীয় শেয়ারযোগ্য লিঙ্ক পাবে। ই-মেইল করার জন্য DOCX অথবা PDF এ রপ্তানি করা যাবে। প্রফেশনাল প্ল্যান পাসওয়ার্ড-প্রুফ এবং স্থায়ী লিঙ্ক প্রদান করে।