Speaker Detection & Diarization

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

ਪਬਲਿਕਲੀ ਉਪਲੱਬਧ ਆਡੀਓ ਅਤੇ ਵੀਡਿਓ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ। DRM- ਸੁਰੱਖਿਅਤ ਸਮੱਗਰੀ ਲਈ ਸਹਾਇਕ ਨਹੀਂ ਹੈ।

ਵਧਾਓ ਲਈ ਅੱਪਗਰੇਡ
ਨਿੱਜੀ ਟਰਾਂਸਕਰੀਪਟ
ਟਰਾਂਸਕਰੀਪਟ ਨਾਲ ਗੱਲਬਾਤ
ਪਰੋ ਨਾਲ ਅਣ- ਲਾਕ →
ਫਾਇਲ ਇੱਥੇ ਸੁੱਟੋ ਜਾਂ ਝਲਕਣ ਲਈ ਕਲਿੱਕ ਕਰੋ
MP3, WAV, M4A, FLAC, MP4, MKV, MOV, WebM —2GB ਤੱਕ
ਵਧਾਓ ਲਈ ਅੱਪਗਰੇਡ
ਨਿੱਜੀ ਟਰਾਂਸਕਰੀਪਟ
ਟਰਾਂਸਕਰੀਪਟ ਨਾਲ ਗੱਲਬਾਤ
ਪਰੋ ਨਾਲ ਅਣ- ਲਾਕ →
ਵਧਾਓ ਲਈ ਅੱਪਗਰੇਡ
ਰਿਕਾਰਡਿੰਗ: 0:00
ਰੀਅਲ- ਟਾਈਮ ਮੋਮ (ਅਕਾਲੀ)
ਵਧਾਇਆ Whisper (ਸਹੀ)
ਪਬਲਿਕ ਲਿੰਕ: 24h, ਸਿਰਫ਼ ਟੈਕਸਟ · ਸਾਈਨ ਅੱਪ 7d + ਆਡੀਓ ਲਈ · ਪਰੋ ਨਿੱਜੀ ਲਿੰਕਾਂ ਲਈ

ਰੀਅਲ-ਟਾਈਮ ਬੋਲੀ ਤੋਂ ਪਾਠ । AI ਆਟੋ-ਸੁਧਾਰ ਕਰਦਾ ਹੈ ਜਿਵੇਂ ਤੁਸੀਂ ਬੋਲਦੇ ਹੋ — ਲੰਬੀ ਬੋਲੀ ਨਾਲ ਠੀਕਾਈ ਵਧਦੀ ਹੈ ।

ਪਹਿਲਾਂ ਆਪਣਾ ਮਾਈਕਰੋਫੋਨ ਟੈਸਟ ਕਰੋ
❤️ STT.ai ਪਸੰਦ ਹੈ? ਆਪਣੇ ਦੋਸਤਾਂ ਨੂੰ ਦੱਸੋ!
ਤੁਸੀਂ ਆਪਣੀ ਮੁਫਤ ਟਰਾਂਸਕਰੀਪਸ਼ਨ ਵਰਤੀ ਹੈ

600 ਮਿੰਟਾਂ ਲਈ ਮੁਫਤ ਲਈ ਰਜਿਸਟਰ ਕਰੋ, ਜਾਂ ਹਜ਼ਾਰਾਂ ਹੋਰ ਲਈ $5/ਮਹੀਨੇ ਤੋਂ ਅੱਪਗਰੇਡ ਕਰੋ।

10 ਮੁਫਤ ਮਿੰਟ/ਦਿਨ 600 ਮਿੰਟ ਮੁਫ਼ਤ ਕ੍ਰੈਡਿਟ ਕਾਰਡ ਨਹੀਂ ਇੰਕ੍ਰਿਪਟਡ
ਮੁਫ਼ਤ ਲਈ ਸਾਈਨ ਅੱਪ ਕਰੋ →

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

ਅਕਸਰ ਪੁੱਛੇ ਜਾਣ ਵਾਲੇ ਸਵਾਲ

ਸਪੀਕਰ ਖੋਜ ਤੁਹਾਡੇ ਬਰਾਊਜ਼ਰ ਵਿੱਚ ਚੱਲਦਾ ਹੈ: URL ਚੇਪੋ, ਫਾਇਲ ਅੱਪਲੋਡ ਕਰੋ, ਜਾਂ ਆਪਣੇ ਮਾਈਕ ਤੋਂ ਰਿਕਾਰਡ ਕਰੋ । STT.ai AI ਮਾਡਲ ਚੁਣਦਾ ਹੈ ਅਤੇ5ਮਿੰਟਾਂ ਵਿੱਚ ਟਰਾਂਸਕਰੀਪਟ ਮੁੜ ਦਿੰਦਾ ਹੈ । TXT, SRT, VTT, DOCX, JSON ਜਾਂ PDF ਵਾਂਗ ਐਕਸਪੋਰਟ ਕਰੋ ।

ਹਾਂ — ਹਰੇਕ ਝਲਕਾਰਾ STT.ai ਉੱਤੇ ਸ਼ੁਰੂ ਕਰਨ ਲਈ 600 ਮੁਫਤ ਮਿੰਟ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ, ਸਪੀਕਰ ਖੋਜ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਕਿਸੇ ਹੋਰ ਵਰਕਫਲੋ ਲਈ ਹੈ। ਭੁਗਤਾਨ ਕੀਤੇ ਪਲਾਨ $5/ਮਹੀਨੇ ਤੋਂ ਸ਼ੁਰੂ ਹੁੰਦੇ ਹਨ, ਲੰਬੀਆਂ ਫਾਇਲਾਂ, ਨਿੱਜੀ ਟਰਾਂਸਕਰੀਪਸ਼ਨ ਅਤੇ ਤਰਜੀਹ ਕਤਾਰ ਲਾਕ ਕਰਨ ਲਈ।

ਸਪੀਕਰ ਖੋਜ STT.ai ਦੇ ਬਾਕੀ ਹਿੱਸਿਆਂ ਵਾਂਗ AI ਮਾਡਲਾਂ ਉੱਤੇ ਚੱਲਦਾ ਹੈ - ਸਾਡੇ ਵਧੀਆ ਮਾਡਲ ਸਾਫ਼ ਬੋਲੀ ਉੱਤੇ 95-97% ਸਹੀਤਾ ਤੱਕ ਪਹੁੰਚਦੇ ਹਨ (ਬੈਂਕਮਾਰਕ ਉੱਤੇ 3-5% ਸ਼ਬਦ ਗਲਤੀ ਦਰ) । ਜੇਕਰ ਪਹਿਲਾ ਪਾਸ ਤੁਹਾਡੇ ਟੀਚੇ ਤੋਂ ਹੇਠਾਂ ਹੈ ਤਾਂ ਮਾਡਲ ਤੁਰੰਤ ਬਦਲੋ ।

ਸਪੀਕਰ ਖੋਜ STT.ai ਦੇ 10+ ਮਾਡਲਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਉੱਤੇ ਚੱਲ ਸਕਦਾ ਹੈ - STT.ai ਐਚਐਚ (ਸਭ ਤੋਂ ਸਹੀ), ਵਿਸਪਰ ਲਾਈਟ V3 (99 ਭਾਸ਼ਾਵਾਂ), NVIDIA ਕੈਨੇਰੀ (#1 WER ਸਹਾਇਕ ਲਾਂਗਸ), ਵਿਸਪਰ ਟੁਰਬੋ (ਫਾਸਟ), ਮੁਨਸ਼ਾਈਨ (ਲਘੂ ਭਾਰ) ਅਤੇ ਹੋਰ।

ਹਾਂ। ਹਰ ਟਰਾਂਸਕਰੀਪਟ SRT ਜਾਂ VTT ਵਾਂਗ ਐਕਸਪੋਰਟ ਕੀਤੀ ਜਾਂਦੀ ਹੈ - ਯੂਟਿਊਬ, ਵਿਮੀਓ, ਟਿਕਟੋਕ, VLC ਅਤੇ ਹਰੇਕ ਵੱਡੇ ਵੀਡਿਓ ਪਲੇਅਰ ਨਾਲ ਕੰਮ ਕਰਦੀ ਹੈ। ਬਰਨ-ਸਬਟਾਈਟਲ ਟੂਲ ਉਨ੍ਹਾਂ ਨੂੰ ਵੀਡਿਓ ਉੱਤੇ ਹਾਰਡ-ਸਬਟਾਈਟਲ ਵਾਂਗ ਓਵਰਲੇਅ ਕਰਦਾ ਹੈ।

ਹਾਂ । ਸਪੀਕਰ ਡਾਇਰੀਜ਼ੇਸ਼ਨ ਆਟੋਮੈਟਿਕ ਹੀ ਹਰੇਕ ਆਵਾਜ਼ (ਸਪੀਕਰ 1, ਸਪੀਕਰ2,...) ਲਈ ਲੇਬਲ ਬਣਾਉਦੀ ਹੈ ਅਤੇ ਤੁਸੀਂ ਉਨ੍ਹਾਂ ਦਾ ਨਾਂ ਇੰਬੈੱਡ ਐਡੀਟਰ ਵਿੱਚ ਬਦਲ ਸਕਦੇ ਹੋ । ਸਭ ਮਾਡਲਾਂ ਅਤੇ ਭਾਸ਼ਾਵਾਂ ਲਈ ਕੰਮ ਕਰਦੀ ਹੈ ।

ਸਪੀਕਰ ਖੋਜ ਵਿੱਚ ਬਹੁਤੇ ਕੰਮ5ਮਿੰਟਾਂ ਵਿੱਚ ਪੂਰੇ ਹੋ ਜਾਂਦੇ ਹਨ। ਇੱਕ 1 ਘੰਟੇ ਦੀ ਆਡੀਓ ਫਾਇਲ ਆਮ ਤੌਰ ਉੱਤੇ ਸਾਡੇ ਤੇਜ਼ ਮਾਡਲਾਂ ਨਾਲ2-3ਮਿੰਟਾਂ ਵਿੱਚ ਪੂਰੀ ਹੋ ਜਾਂਦੀ ਹੈ। ਸਪੀਡ ਚੁਣੇ ਮਾਡਲ ਅਤੇ ਮੌਜੂਦਾ GPU ਲੋਡ ਉੱਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ।

ਸਪੀਕਰ ਖੋਜ 20+ ਫਾਰਮੈਟ ਸਵੀਕਾਰ ਕਰਦਾ ਹੈ - MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI, ਅਤੇ ਹੋਰ। ਆਉਟਪੁੱਟ TXT, SRT, VTT, DOCX, JSON, ਜਾਂ PDF ਹੈ।

ਹਾਂ। ਸਪੀਕਰ ਖੋਜ ਲਈ ਭੇਜੀਆਂ ਆਡੀਓ ਫਾਇਲਾਂ ਡਿਫਾਲਟ ਤੌਰ ਉੱਤੇ ਪਰੋਸੈੱਸ ਅਤੇ ਹਟਾਈਆਂ ਜਾਂਦੀਆਂ ਹਨ। ਪਰੋ ਪਲਾਨ ਕਲਾਂਇਟ-ਸਾਈਡ ਇੰਕ੍ਰਿਪਸ਼ਨ ਸ਼ਾਮਲ ਕਰਦੇ ਹਨ - ਭਾਵੇਂ ਕਿ STT.ai ਦਾ ਡਾਟਾਬੇਸ ਖਤਮ ਹੋ ਜਾਵੇ, ਤੁਹਾਡੀਆਂ ਟਰਾਂਸਕਰੀਪਟਾਂ ਤੁਹਾਡੀ ਕੁੰਜੀ ਤੋਂ ਬਿਨਾਂ ਪੜ੍ਹਨਯੋਗ ਨਹੀਂ ਹਨ। ਡਾਟਾ ਸਪੱਸ਼ਟ ਚੋਣ-ਇਨ ਤੋਂ ਬਿਨਾਂ ਮਾਡਲ ਟਰੇਨਿੰਗ ਲਈ ਕਦੇ ਨਹੀਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।

ਹਾਂ। STT.ai ਪਾਈਥਨ ਅਤੇ Node.js SDKs ਨਾਲ REST API, ਅਤੇ ਕਲੌਡ ਅਤੇ ਕਰਸਰ ਲਈ MCP ਸਰਵਰ ਦਿੰਦਾ ਹੈ - ਸਪੀਕਰ ਖੋਜ ਵਰਕਫਲੋ ਲਈ ਸਭ ਵਰਤਣਯੋਗ ਹੈ। ਮੁਫਤ API ਟਾਇਰ ਵਿੱਚ 100 ਮਿੰਟ/ਮਹੀਨਾ ਸ਼ਾਮਲ ਹੈ।

ਹਾਂ । ਹਰੇਕ ਟਰਾਂਸਕਰੀਪਟ ਇੰਬੈੱਡ ਐਡੀਟਰ ਵਿੱਚ ਖੁੱਲਦਾ ਹੈ, ਜਿੱਥੇ ਤੁਸੀਂ ਸ਼ਬਦ ਸੋਧ ਸਕਦੇ ਹੋ, ਸਪੀਕਰ ਦਾ ਨਾਂ ਬਦਲ ਸਕਦੇ ਹੋ, ਟਾਈਮ- ਸਟੈਂਪ ਅਡਜੱਸਟ ਕਰ ਸਕਦੇ ਹੋ ਅਤੇ ਨੋਟਿਸ ਸ਼ਾਮਲ ਕਰ ਸਕਦੇ ਹੋ । ਸਭ ਤਬਦੀਲੀਆਂ ਆਟੋਮੈਟਿਕ ਹੀ ਸੰਭਾਲੀਆਂ ਜਾਂਦੀਆਂ ਹਨ ।

ਹਰੇਕ ਟਰਾਂਸਕਰੀਪਟ ਇੱਕ ਵਿਲੱਖਣ ਸਾਂਝ URL ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ । ਈ- ਮੇਲ ਲਈ DOCX ਜਾਂ PDF ਵਿੱਚ ਐਕਸਪੋਰਟ ਕਰੋ । ਪਰੋ ਪਲਾਨ ਪਾਸਵਰਡ- ਸੁਰੱਖਿਅਤ ਅਤੇ ਸਥਾਈ ਲਿੰਕ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ - ਕਲਾਂਇਟ ਕੰਮ ਲਈ ਲਾਭਦਾਇਕ ਹੈ ।

STT.ai ਯੂਟਿਊਬ, ਵੀਮੀਓ, ਟਿਕਟੋਕ, ਸਾਊਂਡਕਲਾਊਡ, ਜ਼ੂਮ, ਗੂਗਲ ਮੀਟ, ਪੋਡਕਾਸਟ ਹੋਸਟ ਅਤੇ ਹੋਰਾਂ ਸਮੇਤ 1,300+ ਪਲੇਟਫਾਰਮਾਂ ਨੂੰ ਹੈਂਡਲ ਕਰਦਾ ਹੈ। URL ਟਰਾਂਸਕਰੀਪਸ਼ਨ ਸਿਰਫ਼ ਪਬਲਿਕਲੀ-ਸਭਿਆਚਾਰ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ - DRM-ਸੰਭਾਲਿਆ ਸਰੋਤ ਟਰਾਂਸਕਰੀਪਸ਼ਨ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।