تشخیص و نگارش بلندگو

به صورت خودکار شنوندگان مختلف را در رونوشت‌های صوتی و ویدئویی خود شناسایی و برچسب بزنید. دقیقاً بدانید که چه کسی چه چیزی گفت.

با صوت و ویدئوهای در دسترس عمومی کار می‌کند. محتوای محافظت شده با DRM پشتیبانی نمی‌شود.

Upgrade for Enhanced
Private transcript
گپ زدن با رونوشت
باز کردن قفل با Pro →
پروندۀ را اینجا بگذارید یا برای مرور کلیک کنید
MP3, WAV, M4A, FLAC, MP4, MKV, MOV, WebM — تا ۲ گیگابایت
Upgrade for Enhanced
Private transcript
گپ زدن با رونوشت
باز کردن قفل با Pro →
Upgrade for Enhanced
ضبط: 0:00
زمان واقعی موم (موقت)
بهبودیافته زمزمه (دقت)
وبگاه رسمی 24hours.com · ثبت نام برای 7d + صدا · حرفه اي برای پیوندهای خصوصی

گفتار به متن در زمان واقعی. هوش مصنوعی خودکاراً در حین صحبت کردن شما را اصلاح می‌کند - دقت با صحبت طولانی تر بهبود می‌یابد.

ابتدا میکروفون خود را امتحان کنید
❤️ دوست STT.ai رو به دوستانت بگو
تو از رونوشت هاي مجانيت استفاده کردي

برای دریافت ۶۰۰ دقیقه/ماه رایگان ثبت نام کنید یا برای رونوشت‌های نامحدود ارتقاء پیدا کنید.

۱۰ دقیقه آزاد در روز 600 دقیقه رایگان با ثبت نام کارت اعتباري ندارم رمزگذاری شده
ثبت نام مجانی →

«آشنایی با دیالوگ‌نویسی چیست؟».

دیاریزاسیون گوینده فرایند تقسیم جریان صوتی به بخش‌های مختلف بر اساس هویت گوینده است. به عبارت ساده‌تر، این پاسخ به سوال «چه کسی چه زمانی صحبت کرد؟» است. 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.

نحوهٔ تشخیص گوینده

۱. شناسایی فعالیت صدا

سیستم اول شناسایی می‌کند که کدام بخش‌های صدا شامل سخن در مقابل سکوت، موسیقی یا سر و صدای پس زمینه است.

2. جاسازی بلندگو

هر بخش از سخن به یک درون‌مایه بلندگو تبدیل می‌شود - یک بردار فشرده که ویژگی‌های صوتی منحصر به فرد بلندگو را ثبت می‌کند.

خوشه بندی و برچسب‌گذاری

در این روش، اتصالات به صورت خوشه برای گروه بندی بخش‌های یک بلندگو با هم انجام می‌شود، سپس به هر خوشه یک برچسب ( بلندگو ۱، بلندگو ۲ و غیره) اختصاص داده می‌شود.

موردهای استفاده برای تشخیص گوینده

رونوشت ملاقات
برچسب زدن خودکار هر شرکت‌کننده در ضبط جلسات. تولید یادداشت با اشاره واضح به اینکه چه کسی چه چیزی گفت.
رونوشت پادکست
تمایز بین میزبان و مهمان در قسمت‌های پادکست. ایجاد یادداشت‌های نمایش با اختصاص دادن مناسب سخنران.
مصاحبه با ترانسفرمارکت
مصاحبه‌کننده و پاسخ‌های مصاحبه‌شونده را برای تحقیقات، روزنامه‌نگاری و مستندات استخدام جدا کنید.
قانونی و مطابقت
ثبت رسمی اظهارات، جلسات و تماس‌های تطبیقی با شناسایی واضح سخنران را ایجاد کنید.

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.

حالا تلاش برای تشخیص بلندگو

یک ضبط چند بلندگو را بارگذاری کنید و بلندگوها را به صورت خودکار برچسب بزنید.

شروع رونوشت آزاد

پرسشهای متداول

Upload your audio or video file to STT.ai. Select your preferred AI model and options, then click Transcribe. Your transcript will be ready in minutes. Export as TXT, SRT, VTT, DOCX, JSON, or PDF.

بله! STT.ai 600 دقیقه رایگان در ماه برای همه کاربران ارائه می دهد. برای اولین رونوشت نیازی به ثبت نام نیست. برنامه های پرداخت شده با دقیقه های بیشتر و ویژگی ها از $5 / ماه شروع می شود.

دقت بستگی به مدل هوش مصنوعی که انتخاب می‌کنید و کیفیت صدا دارد. بهترین مدل‌های ما در معیارها به میزان خطای ۵-۷٪ در کلمات می‌رسند، به معنی دقت ۹۳-۹۵٪+. صدای واضح با کمترین نویز پس زمینه بهترین نتایج را تولید می‌کند.

STT.ai offers 10+ models including Whisper Large V3, NVIDIA Canary, and more. You can compare results from different models on the same file.

بله. پس از رونوشت، رونوشت خود را به عنوان پرونده‌های زیرنویس SRT یا VTT صادر کنید. این‌ها با یوتیوب، ویمو و تمام پلتفرم‌های ویدئویی بزرگ کار می‌کنند.

بله. STT.ai به طور خودکار گویندگان مختلف را شناسایی و برچسب می زند با استفاده از شناسه دهی هوش مصنوعی گوینده. در همه مدل ها و زبان ها کار می کند.

اکثر فایل‌ها در کمتر از ۵ دقیقه رونوشت می‌شوند. یک فایل صوتی یک ساعته معمولاً ۲ تا ۳ دقیقه با سریع‌ترین مدل‌های ما طول می‌کشد.

STT.ai از ۲۰+ فرمت صوتی و ویدئویی از جمله MP3، WAV، M4A، FLAC، OGG، MP4، MKV، MOV، WebM و AVI پشتیبانی می‌کند.

بله. پرونده‌های صوتی پس از رونوشت پردازش و حذف می‌شوند. داده‌های شما هرگز برای آموزش استفاده نمی‌شود. رمزگذاری سمت کارخواه در تمام برنامه‌ها رایگان است — رونوشت‌های ذخیره‌شده را با یک کلید که فقط شما دارید رمزگذاری می‌کند. در طول پردازش ، کارساز صوتی شما را به صورت متن ساده مدیریت می‌کند. درباره امنيت ما ياد بگير.

Yes. STT.ai offers a REST API with Python and Node.js SDKs. Free tier includes 100 minutes/month.

بله، STT.ai شامل يک ویرایشگر رونوشت دروني ميشه که ميتوني اشتباهات رو تصحيح کني، اسم بلندگوها رو عوض کني و علامت زمان رو تنظیم کني

هر رونوشت یک پیوند مشترک منحصر به فرد دریافت می‌کند. برای ارسال ایمیل به DOCX یا PDF صادر کنید. برنامه‌های حرفه‌ای پیوندهای دائمی و محافظت شده با گذرواژه را ارائه می‌کنند.

STT.ai از ۱۳۰۰ پلتفرم پشتیبانی می‌کند که شامل یوتیوب، ویمو، تیک تاک، ساوند کلاود و بیشتر است. رونویسی URL فقط با صدا و ویدئوهای در دسترس عمومی کار می‌کند. محتوای DRM-protected (مانند قسمت‌های اسپاتیفای پریمیوم، نتفلیکس، دیزنی + و غیره) نمی‌تواند رونویسی شود.