اسپيڪر ڳولا ۽ ڊيائريزيشن

پنھنجي آڊيو ۽ وڊيو ترڪيبن ۾ مختلف ڳالهائيندڙن کي پاڻمرادو سڃاڻ ۽ ليڪ ڪريو. ڄاڻو ته ڪھڙي چيو.

عام طور تي دستياب آڊيو ۽ وڊيو سان ڪم ڪري ٿو. DRM-protected مواد کي مدد نه ڏني وئي آهي.

وڌايل لاءِ اپ گريڊ
پرائيويٽ ٽرانسڪرپٽ
ٽرانسڪريٽ سان ڳالھايو
پرو سان کوليو →
فائل ھيڏانهن ڇڏ يا ڪلڪ ڪريو ته ڏسو
MP3, WAV, M4A, FLAC, MP4, MKV, MOV, WebM — 2GB تائين
وڌايل لاءِ اپ گريڊ
پرائيويٽ ٽرانسڪرپٽ
ٽرانسڪريٽ سان ڳالھايو
پرو سان کوليو →
وڌايل لاءِ اپ گريڊ
رڪارڊنگ: 0:00
ريئل-ٽائم موکي (وقت)
وڌايل ويسپر (صحيح)
عام لنڪ: 24h، صرف متن · رجسٽر ٿيو 7d + آڊيو لاءِ · پرو پرائيويٽ لنڪ لاءِ

سچي وقت جي ڳالھائڻ کي متن ۾. AI پاڻمرادو درست ڪندو جيئن توھان ڳالھايو - دقت ڊگھي ڳالھائڻ سان بهتر ٿيندي.

پنھنجو مائڪروفون پھريون پرکي
❤️ STT.ai کي پيارو آهي؟ پنھنجن دوستن کي چئو!
توھان پنھنجي مفت ترميم استعمال ڪئي آھي

600 منٽن جي حاصل ڪرڻ لاءِ مفت ۾ رجسٽر ٿيو، يا $5/مھيني کان وڌيڪ هزارين جي حاصل ڪرڻ لاءِ اپ گريڊ ڪريو.

10 مفت منٽ/ ڏينھن 600 منٽ مفت سان رجسٽريشن ڪو ڪريڊٽ ڪارڊ نه ڳجھي طرح محفوظ
مفت ۾ رجسٽر ٿيو →

اسپيڪر ڊياريزيشن ڇا آھي؟

اسپيڪر ڊيائريزيشن هڪ آڊيو اسٽريم کي حصن ۾ ورهاڻ جي عمل آهي جيڪو اسپيڪر جي شناخت مطابق آهي. سادو لفظن ۾، اهو سوال جو جواب ڏئي ٿو "ڪنھن ڪڏھن ڳالهائيو؟" 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.

اسپيڪر جي ڳولا ڪيئن ڪم ڪري ٿي

آواز جي سرگرمي جو تعين

سسٽم پهريون ڀيرو سڃاڻپ ڪري ٿو ته آڊيو جا ڪهڙا حصا ڳالهائڻ جي مقابلي ۾ خاموشي، موسيقي يا پس منظر جي شور سان آهن.

2. اسپيڪر داخل ڪرڻ

هر ڳالهائيندڙ حصي کي هڪ ڳالهائيندڙ جي داخل ٿيڻ ۾ تبديل ڪيو ويندو آهي - هڪ ڪمپڪٽ ويڪٽر جيڪو ڳالهائيندڙ جي منفرد آواز جي خاصيتن کي پڪڙيندو آهي.

3. ڪلوسنگ ۽ لبلنگ

ضميون هڪ ئي اسپيڪر مان گروپ جي حصن کي گڏ ڪرڻ لاءِ گڏ ڪيون ويون آهن، پوءِ هر ڪلسٽر کي هڪ ليڊ ڏنو ويو آهي (سپيڪر 1، اسپيڪر 2، وغيره).

ڳالهائيندڙ جي ڳولا لاءِ استعمال جا ڪيس

ڪانفرنس جي نقل
ڪانفرنس رڪارڊنگ ۾ هر شرڪت ڪندڙ کي پاڻمرادو نشان لڳايو. ميٽنگن کي پيدا ڪريو جنھن ۾ واضح طور تي بيان ڪيو ويو ته ڪير ڇا چيو.
پوڊ ڪاسٽ
پوڊ ڪاسٽ حصن ۾ ميزبان ۽ مھمان جي وچ ۾ فرق ڪريو. صحيح ڳالهائيندڙ جي حوالن سان شو نوٽس ٺاهيو.
مصاحبو
تحقيق، صحافت ۽ ملازمت جي دستاويزن لاءِ جدا مصاحبو ڪندڙ ۽ مصاحبو ڪندڙ جواب.
قانوني ۽ مطابقت
بيانن، ٻڌڻين ۽ واضح ڳالهائيندڙ جي شناخت سان مطابقت وارين ڪالن جي سرڪاري رڪارڊ ٺاهيو.

اسپيڪر جي ڳولا STT.ai تي

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.

اسپيڪر جي ڳولا جي هاڻي ڪوشش ڪريو

هڪ ملٽي اسپيڪر رڪارڊ اپ لوڊ ڪريو ۽ اسپيڪر پاڻمرادو لبل ٿيل ڏسو.

شروع ڪريو

گھڻا پڇيل سوال

اسپيڪر ڳولا توھان جي برائوزر ۾ هلندو آھي: URL کي چٽيو، فائل اپ لوڊ ڪريو، يا توھان جي مائڪ کان رڪارڊ ڪريو. STT.ai AI ماڊل چونڊيندو آھي ۽ 5 منٽن ۾ ترانسڪريپٽ موٽائيندو آھي. TXT، SRT، VTT، DOCX، JSON يا PDF طور برآمد ڪريو.

ھائو - هر هڪ مهمان STT.ai تي شروع ڪرڻ لاءِ 600 مفت منٽ حاصل ڪري ٿو، اسپيڪر ڳولا لاءِ استعمال ڪري سگهجي ٿو جيئن ڪنهن به ٻئي ڪم جي وهڪري وانگر. ادا ڪيل منصوبا $5 / مهيني ۾ شروع ٿيندڙ ڊگهي فائلن، ذاتي ترڪيبون ۽ ترجيح واري قطار کي کولڻ.

اسپيڪر ڳولا STT.ai جي باقي حصي وانگر AI ماڊل تي هلندو آهي - اسان جا بهترين ماڊل صاف ڳالهائڻ تي 95-97٪ درستگي تائين پهچي ٿو (3-5٪ لفظ غلطي جي شرح تي بينڪ مارڪ). جيڪڏهن پهريون پاسو توهان جي مقصد جي هيٺان آهي ته ماڊل کي تبديل ڪريو.

اسپيڪر ڳولا STT.ai جي 10+ ماڊل جي ڪنهن به تي هلائي سگھي ٿو - STT.ai وڌايل (سڀ کان وڌيڪ صحيح)، ويسپر وڏي V3 (99 ٻوليون)، NVIDIA ڪينري (#1 WER مدد ڪيل langs تي)، ويسپر ٽوربو (فائيئر)، مونشاين (ھلڪو وزن) ۽ وڌيڪ.

ھائو. سڀ ترنسڪريٽ SRT يا VTT طور برآمد ڪري ٿو — يوٽيوب، ويميو، ٽڪ ٽاڪ، وي ايل سي ۽ سڀ وڊيو پليئر سان ڪم ڪري ٿو. برائون-سوٽائيٽس ٽولز انهن کي وڊيو تي هارڊ سبس وانگر مٿاڇري ڪري ٿو.

ھائو. اسپيڪر جي ڊيائريزيشن پاڻمرادو هر آواز کي نشان لڳائيندو آھي (Speaker 1, Speaker 2,...) ۽ توھان انھن جو نالو داخل ٿيل ايڊيٽر ۾ مٽائي سگھوٿا. سڀ ماڊل ۽ ٻوليون ڪم ڪن ٿيون.

اسپيڪر ڳولا جا وڏا ڪم 5 منٽن کان گھٽ ۾ پورا ٿيندا آھن. ھڪ ڪلاڪ جي آڊيو فائل عام طور اسان جي تيز ماڊلن سان 2-3 منٽن ۾ مڪمل ٿيندي آھي. رفتار چونڊيل ماڊل ۽ موجوده GPU لوڊ تي منحصر آھي.

اسپيڪر ڳولا 20+ فارميٽ قبول ڪري ٿو - MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI, ۽ وڌيڪ. TXT, SRT, VTT, DOCX, JSON, يا PDF ۾ نڪتو.

ھائو. آڊيو فائلون جيڪي اسپيڪر ڳولا کي موڪليون ويون آھن سي عمل ۾ آيون آھن ۽ اڻ سڌو سنئون ختم ڪيون ويون آھن. پرو پلان ڪلائنٽ پاسي جي ڪوڊنگ شامل ڪندا آھن - جيتوڻيڪ جيڪڏھن STT.ai جي ڊيٽابيس ۾ ڀڃڪڙي ٿئي ٿي، توھان جون ترانسڪريپشن توھان جي ڪوڊ کانسواءِ پڙھڻ ۾ نه اينديون. ڊيٽا ڪڏهن به ماڊل جي تربيت لاءِ استعمال نه ٿيندو آھي بغير واضح طور تي داخل ٿيڻ جي.

ھائو. STT.ai Python ۽ Node.js SDKs سان REST API پيش ڪري ٿو، ۽ Claude ۽ Cursor لاءِ MCP سرور — سڀ اسپيڪر ڳولا ڪم جي وهڪري لاءِ استعمال ڪري سگهجي ٿو. مفت API ٽائر ۾ 100 منٽ / مهينو شامل آهي.

ھائو. سڀئي ترانسڪريٽ اندروني ايڊيٽر ۾ کولبا جتي توھان لفظ درست ڪري سگھوٿا، ڳالهائيندڙن جو نالو مٽائي سگھوٿا، وقت جي نشانين کي ترتيب ڏئي سگھوٿا ۽ نوٽس شامل ڪري سگھوٿا. سڀ تبديليون پاڻمرادو محفوظ ڪيون وينديون.

هر transcript هڪ منفرد شيئر ڪري سگھجي ٿو URL حاصل ڪري ٿو. DOCX يا PDF اي ميل لاء برآمد. پرو منصوبن پاسورڊ-محفوظ ۽ دائمي لنڪ شامل ڪريو - گراهڪ جي ڪم لاء فائديمند.

STT.ai يوٽيوب ، ويميو ، ٽڪ ٽاڪ ، ساؤنڊ ڪلوڊ ، زووم ، گوگل ميٽ ، پوڊ ڪاسٽ هوسٽس ۽ وڌيڪ سميت 1,300+ پليٽ فارمن کي هلائي ٿو. URL ترميم صرف عوامي رسائي واري مواد سان ڪم ڪري ٿي - DRM-محفوظ ذريعن کي ترميم نه ڪري سگهجي ٿو.