Speaker Detection & Diarization

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

Halka açık ses ve video ile çalışır. DRM-koruyucu içerik desteklenmez.

İyileştirme için yükselt
Özel transkript
Çeviri ile sohbet
Pro ile kilidi aç →
Dosyayı buraya bırak veya taramak için tıkla
MP3, WAV, M4A, FLAC, MP4, MKV, MOV, WebM — 2GB'a kadar
İyileştirme için yükselt
Özel transkript
Çeviri ile sohbet
Pro ile kilidi aç →
İyileştirme için yükselt
Kayıt: 0:00
Gerçek zamanlı Balmumu (anlık)
İyileştirilmiş Fısılda (kesin)
Halka açık bağlantılar: 24 saat, sadece metin · Kayıt ol 7d + ses için · Pro özel bağlantılar için

Gerçek zamanlı konuşmadan metne. AI konuşurken otomatik olarak düzeltir — doğruluk konuşma uzunlaştıkça iyileşir.

Önce mikrofonu test et
❤️ STT.ai'yi seviyor musunuz?
Bedava çevirilerini kullandın.

600 dakika almak için ücretsiz kayıt olun veya binlerce daha fazlası için ayda 5 dolardan yükseltin.

Günde 10 dakika ücretsiz 600 dakika ücretsiz Kredi kartı yok. Şifrelenmiş
Ücretsiz kayıt olun →

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

Sıkça Sorulan Sorular

hoparlör tespit tarayıcınızda çalışır: URL'yi yapıştırın, bir dosya yükleyin veya mikrofonunuzdan kaydedin. STT.ai AI modelini seçer ve 5 dakika içinde metin çevirisini geri verir. TXT, SRT, VTT, DOCX, JSON veya PDF olarak ihraç edin.

Evet — her ziyaretçi STT.ai'de başlatmak için 600 ücretsiz dakika alır, hoparlör tespit için diğer herhangi bir iş akışıyla aynı şekilde kullanılabilir. Ayda $5'dan başlayan ücretli planlar daha uzun dosyaları, özel metinleri ve öncelikli kuyruğu kilitlemektedir.

hoparlör tespit STT.ai'in geri kalanıyla aynı AI modelleri üzerinde çalışır — en iyi modellerimiz temiz konuşmada %95-97 doğruluğa ulaşırlar (benchmarklarda %3-5 Sözcük Hata Oranı). İlk geçiş hedefinizin altındaysa modelleri uçuşa hazır olarak değiştirin.

hoparlör tespit STT.ai'in 10+ modelinin herhangi birinde çalışabilir — STT.ai Enhanced (en doğru), Whisper Large V3 (99 dil), NVIDIA Canary (#1 WER desteklenen langs), Whisper Turbo (hızlı), Moonshine (hafif) ve daha fazlası.

Evet. Her bir transkrip SRT veya VTT olarak ihraç edilir. YouTube, Vimeo, TikTok, VLC ve diğer video oynatıcılarla çalışır. Yazma-altyazılı aracı onları videoya hardsubs olarak yerleştirir.

Evet. Sesli diary otomatik olarak her ses için bir etiket (Hafıza 1, Hafıza 2,...) oluşturur ve bunların ismini iç düzenleyicide değiştirebilirsiniz. Tüm model ve dillerde çalışır.

Çoğu hoparlör tespit iş 5 dakikadan kısa sürede tamamlanır. 1 saatlik bir ses dosyası en hızlı modellerimizle genellikle 2-3 dakikada tamamlanır. Hız seçilen modele ve mevcut GPU yüküne bağlıdır.

hoparlör tespit 20+ biçimi kabul eder — MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI ve daha fazlası. Çıkış TXT, SRT, VTT, DOCX, JSON veya PDF.

Evet. hoparlör tespit'a gönderilen ses dosyaları varsayılan olarak işleme alınır ve silinir. Pro planları istemci tarafı şifreleme ekler - STT.ai'in veritabanı hasar görse bile, metinleriniz anahtarınız olmadan okunmaz. Veriler açıkça katılma olmadan model eğitimi için asla kullanılmaz.

Evet. STT.ai Python ve Node.js SDK'ları ile bir REST API'si, Claude ve Cursor için bir MCP sunucusu sunuyor - hepsi hoparlör tespit iş akışlarında kullanılabilir.

Evet. Her makale, kelimeleri düzelttiğiniz, konuşmacıları yeniden adlandırdığınız, zaman damgalarını ayarladığınız ve notlar eklediğiniz iç düzenleyicide açılır. Tüm değişiklikler otomatik olarak kaydedilir.

Her bir transkrip eşsiz bir paylaşılabilir URL alır. E-posta için DOCX veya PDF'ye ihraç edilir. Pro planları şifre ile korunan ve kalıcı bağlantılar ekler - müşteri çalışması için yararlı.

STT.ai, YouTube, Vimeo, TikTok, SoundCloud, Zoom, Google Meet, podcast ev sahipleri ve daha fazlası dahil olmak üzere 1.300+ platformu yönetir. URL transkripsiyonu sadece halka açık içerikle çalışır - DRM-koruyucu kaynaklar transkripsiyon yapılamaz.