Canfod a Diareiddio Serydd

Dynodi a labelu siaradwyr gwahanol yn eich trosysgrifiadau sain a fideo yn awtomatig. Gwybod yn union pwy ddywedodd beth.

Gweithio gyda sain a fideo sydd ar gael yn gyhoeddus. Ni chynhelir cynnwys sydd wedi'i amddiffyn gan DRM.

Uwchraddio i Gyflym
Trawssgrifiad Preifat
Sgwrsio gyda throsglwyddiad
Datgloi gyda Pro →
Rholio ffeil yma neu glicio i bori
MP3, WAV, M4A, FLAC, MP4, MKV, MOV, WebM - hyd at 2GB
Uwchraddio i Gyflym
Trawssgrifiad Preifat
Sgwrsio gyda throsglwyddiad
Datgloi gyda Pro →
Uwchraddio i Gyflym
Recordio: 0:00
Amser real Cerrig (amserol)
Uwch Chwiban (cyson)
Cyswllt cyhoeddus: 24 awr, testun yn unig · Cofrestru ar gyfer 7d + sain · Proffesiynol am gysylltiadau preifat

Llythrennedd amser real i destun. Mae AI yn cywiro'n awtomatig wrth i chi siarad - mae cywirdeb yn gwella gyda llais hirach.

Arbrofi eich meicroffon yn gyntaf
❤️ Hoffwch STT.ai? Meddwl am eich ffrindiau!
Rydych wedi defnyddio eich trosysgrifiadau am ddim

Cofrestru am ddim i gael 600 munud, neu uwchraddio o $5/mis am filoedd mwy.

10 munud rhydd/diwrnod 600 munud am ddim gyda chofrestru Dim cerdyn credyd Wedi' i amgryptio
Cofrestru am ddim →

Beth yw Diareiddio'r Seinydd?

Y broses o rannu llif sain i rannau yn ôl dynodiad y siaradwr yw diareiddio siaradwr. Yn eiriau symlach, mae'n ateb y cwestiwn "pwy oedd yn siarad pryd?" 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.

Sut mae Canfod Seryddwyr yn Gweithio

1. Canfod Gweithrediad Llygaid

Mae'r system yn adnabod yn gyntaf pa rannau o sain sy'n cynnwys siarad yn erbyn distawrwydd, cerddoriaeth, neu sŵn cefndir.

2. Mewnosod Serydd

Mae pob rhan o'r siarad yn cael ei throsi i mewnosod seicolegydd -- fector cywasgedig sy'n dal nodweddion sain unigryw'r siaradwr.

Cylchdroi

Mae mewnosodiadau yn cael eu clymu i grwpio segmentau o' r un siaradwr ynghyd, ac yna mae label yn cael ei neilltuo i bob clymu (Sgwrsydd 1, Sgwrsydd 2, ac ati).

Cysylltiad 01Name

Trawssgrifiad Cyfarfod
Labelu pob cyfrannwr yn ysgrifenedig yn y recordiadau cyfarfodydd yn ymysgogol. Creu cofnodion gydag enwau'r rhai a ddywedodd beth yn glir.
Trawsnewid Podiau
Gwahaniaethu rhwng gwesteiwr a gwestai mewn podlediadau. Creu nodiadau dangos gyda dynodi siaradwr cywir.
Trawssgrifiad Ymateb
Ail-enwi ymatebion cyfwelydd a chyfwelydd ar wahân ar gyfer ymchwil, newyddion, a dogfennaeth cyflogi.
Cyfraith a Chyflawni
Creu cofnodion swyddogol o ddatganiadau, gwrandawiadau, a galwadau cydymffurfio gydag adnabod siaradwr clir.

Canfod Serydd ar 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.

Ceisiwch ganfod y siaradwr nawr

Llwytho recordiad aml-seinydd i fyny a gweld y seinydd yn cael eu labelu'n awtomatig.

Cychwyn Trosysgrifo Am Ddim

Cwestiynau a Ofynnir yn Aml

Rhaid i canfod siaradwr redeg yn eich porwr: gludo URL, lawrlwytho ffeil, neu recordio o'ch microffon. Mae STT.ai yn dewis y model AI a dychwelyd y trosysgrif mewn llai na 5 munud. Allforio fel TXT, SRT, VTT, DOCX, JSON, neu PDF.

Ie — mae pob ymwelydd yn cael 600 munud am ddim i ddechrau ar STT.ai, yn defnyddiol ar gyfer canfod siaradwr yr un peth â phob llif gwaith arall. Mae cynlluniau talu yn dechrau ar $5/mis yn datgloi ffeiliau hirach, traethodau preifat, a cheisio blaenoriaeth.

Mae canfod siaradwr yn rhedeg ar yr un modelau AI â'r gweddill o STT.ai - ein modelau gorau yn cyrraedd 95-97% o gywirdeb ar siarad clir (3-5% o gyfradd gwallau geiriau ar fesurau cyferbyniad). Newid modelau ar y pryd os yw'r pasio cyntaf islaw eich targed.

Gall canfod siaradwr redeg ar unrhyw un o'r 10+ modelau STT.ai - STT.ai Enhanced (y mwyaf cywir), Whisper Large V3 (99 iaith), NVIDIA Canary (#1 WER ar y ffonau a gynhelir), Whisper Turbo (cyflym), Moonshine (eang), a mwy.

Ie. Mae pob trosiad yn allforio fel SRT neu VTT - yn gweithio gyda YouTube, Vimeo, TikTok, VLC, a phob chwaraewr fideo mawr. Mae'r offeryn isdeitlau llosgi yn eu gorchuddio ar y fideo fel isdeitlau caled.

Ie. Mae diareiddio siaradwyr yn labelu pob llais yn ymysgogol (Sgwrsydd 1, Sgwrsydd 2,...) a gallwch eu hail-enwi yn y golygydd mewnol. Gweithreda ar draws pob model ac iaith.

Mae'r rhan fwyaf o canfod siaradwr swyddi'n gorffen o fewn 5 munud. Mae ffeil sain 1 awr yn gyffredinol yn gorffen o fewn 2-3 munud gyda'n modelau cyflymaf. Mae'r cyflymder yn dibynnu ar y model a ddewiswyd a'r llwyth GPU cyfredol.

Mae canfod siaradwr yn derbyn mwy na 20 o fformatau — MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI, a mwy. Allbwn i TXT, SRT, VTT, DOCX, JSON, neu PDF.

Ie. Mae ffeiliau sain a gyflwynir i canfod siaradwr yn cael eu prosesu a'u dileu yn rhagosodedig. Mae cynlluniau Pro yn ychwanegu cêl-ysgrifennu ochr y cleient - hyd yn oed os caiff cronfa ddata STT.ai ei torri, mae eich trosysgrifau'n anlofnodadwy heb eich allwedd. Ni ddefnyddir data erioed ar gyfer hyfforddi modelau heb optio i mewn yn glir.

Ie. Mae STT.ai yn cynnig API REST gyda Python a Node.js SDKs, yn ogystal â gweinydd MCP ar gyfer Claude a Cursor — pob un yn defnyddiol ar gyfer canfod siaradwr llif gwaith. Mae lefel API am ddim yn cynnwys 100 munud/mis.

Ie. Mae pob trosglwyddiad yn agor yn y golygydd mewnol lle gallwch chi gywiro geiriau, ail-enwi siaradwyr, addasu stampiau amser, a ychwanegu nodiadau. Cadw pob newid yn awtomatig.

Mae pob traethawd yn cael URL unigryw i'w rannu. Allforio i DOCX neu PDF ar gyfer e-bost. Mae cynlluniau Pro yn ychwanegu cysylltiadau parhaol a diogel gan gyfrinair - yn ddefnyddiol ar gyfer gwaith cleientiaid.

Mae STT.ai yn trin 1,300+ o blatfformau gan gynnwys YouTube, Vimeo, TikTok, SoundCloud, Zoom, Google Meet, gwesteiwyr podcast, a mwy. Mae trawsgrifiad URL yn gweithio gydag cynnwys sydd ar gael yn gyhoeddus yn unig — ni ellir trosysgrifo ffynonellau sydd wedi'u diogelu gan DRM.