Определение и диаризация говорящих

Автоматически определяйте и отмечайте разных говорящих в транскрипциях аудио и видео. Точно знайте, кто что сказал.

Работа с общедоступным аудио- и видеозаписями не поддерживается.

Модернизация в целях повышения квалификации
Private transcript
Говорить с стенограммой
Разблокировать с Про →
Сбрасывать файл здесь или щёлкнуть для просмотра
MP3, WAV, M4A, FLAC, MP4, MKV, MOV, WebM — до 2GB
Модернизация в целях повышения квалификации
Private transcript
Говорить с стенограммой
Разблокировать с Про →
Модернизация в целях повышения квалификации
Запись: 0:00
В реальном масштабе времени Воск (мгновенно)
Усовершенствованные Шепот (с точностью)
Ссылка для общественности: 24 ч., только текст · Подписывайся. для 7d + аудио · Про для частных связей

В реальном времени речь в текст. AI автоматически корректирует, как вы говорите — точность улучшается с помощью более длинной речи.

Сначала проверьте микрофон.
❤️ Скажи своим друзьям!
Вы использовали свои бесплатные стенограммы.

Запишитесь бесплатно, чтобы получить 600 минут в месяц или усовершенствовать для неограниченной транскрипции.

10 мин./сутки 600 мин. без регистрации Нет кредитной карты Зашифровано
Запишитесь бесплатно. →

Что такое диаризация говорящих?

Диаризация говорящих — это процесс разделения аудиопотока на сегменты по идентичности говорящего. Простыми словами, она отвечает на вопрос «кто говорил когда?» 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.

Как работает определение говорящих

1. Обнаружение речевой активности

Система сначала определяет, какие сегменты аудио содержат речь, а какие — тишину, музыку или фоновый шум.

2. Эмбеддинг говорящего

Каждый речевой сегмент преобразуется в эмбеддинг говорящего — компактный вектор, фиксирующий уникальные голосовые характеристики.

3. Кластеризация и маркировка

Эмбеддинги кластеризуются для группировки сегментов одного говорящего, затем каждому кластеру присваивается метка (Говорящий 1, Говорящий 2 и т.д.).

Случаи использования определения говорящих

Транскрипция совещаний
Автоматически отмечайте каждого участника в записях совещаний. Создавайте протоколы с четким указанием, кто что сказал.
Транскрипция подкастов
Различайте ведущего и гостей в эпизодах подкастов. Создавайте заметки к выпуску с правильной атрибуцией говорящих.
Транскрипция интервью
Разделяйте ответы интервьюера и интервьюируемого для исследований, журналистики и документации найма.
Юридическое и соответствие
Создавайте официальные записи показаний, слушаний и звонков соответствия с четкой идентификацией говорящих.

Определение говорящих на 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.

Попробуйте определение говорящих сейчас

Загрузите запись с несколькими говорящими и увидьте автоматическую маркировку.

Начать транскрипцию бесплатно

Часто задаваемые вопросы

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.