Rapporter feil/ funksjonsforespørsel

Høyttalerdeteksjon og - detektering

Finn og gi navn til forskjellige høyttalere i lyd - og videoutskriftene dine. Vet nøyaktig hvem som sa hva.

Arbeider med offentlig tilgjengelig lyd og video. DRM- beskyttet innhold er ikke støttet.

Oppgradering for forbedret
Private transcript
Chat med utskrift
Lås opp med Pro →
Slipp fil her eller trykk for å bla gjennom
MP3, WAV, M4A, FLAC, MP4, MKV, MOV, WebM — opptil 2GB
Last opp flere filer (flerbildeverktøy) med Pro
Oppgradering for forbedret
Private transcript
Chat med utskrift
Lås opp med Pro →
Oppgradering for forbedret
Opptak: 0:00
Sanntid Vosk (intant)
Forbedret Visking (nøyaktig)
Offentlige lenker: 24h, bare tekst · Registrer deg i 7d + lyd · Pro til private lenker

Sanntidstale til tekst. AI korrigerer automatisk mens du snakker – nøyaktighet forbedres med lengre tale.

Test mikrofonen din først
❤️ Kjærlighet STT.ai?
Du har brukt dine frie utskrifter

Gratis tilmelding for å få 600 minutter/måned, eller oppgradering for ubegrenset utskrifter.

Registrer deg gratis Logg inn
10 gratis min/dag 600 min fri med registrering Intet kredittkort Kryptert
Registrer deg gratis →

Hva er høytalerdiarisering?

Høyttalerdiarisering er prosessen med å dele en lydstrøm inn i segmenter i henhold til høyttalerens identitet. 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.

Hvordan høyttalerdeteksjon virker

1. Finn stemmeaktivitet

Systemet identifiserer først hvilke deler av lyden som inneholder tale i forhold til stillhet, musikk eller bakgrunnsstøy.

2. Innebygget høyttaler

Hvert talesegment blir omgjort til en høyttaler som er innebygd -- en kompakt vektor som fanger opp de unike stemmeegenskapene til høyttaleren.

3. Klyngenavn

Inkluderinger grupperes til å gruppere segmenter fra samme høyttaler sammen, så blir hver klynge tildelt en etikett (høyttaler 1, høyttaler 2, osv.).

Brukstilfelle for høyttalerdeteksjon

Møtetransmisjon
Merk hver deltaker i møteopptaket automatisk. Generer minutter med tydelig tilegnelse av hvem som sa hva.
Podkastoverskrivning
Skill mellom vert og gjest i podkastepisoder. Lag visningsnotater med riktig høyttalertileigning.
Intervjuoversettelse
Separat intervjuer og intervjuer – svar på forskning, journalistikk og rekrutteringsdokumentasjon.
Rettslig og overholdelse
Opprett offisielle registre over deponeringer, høringer og innkallinger med tydelig identifikasjon av høyttaleren.

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.

Prøv oppdaging av høyttaler nå

Last opp et opptak med flere høyttalere og se høyttalere automatisk merket.

Begynn å tranulere gratis

Ofte stilte spørsmål

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.