Free speech to text online

Pretvorite govor u tekst sa transkripcijom koja koristi AI. Prenesite audio datoteke, snimite sa svog mikrofona ili zalijepite URL. 100+ jezika, 10+ modela, 98%+ preciznosti.

Radi sa javno dostupnim audio i video sadržajima. DRM-zaštićeni sadržaji nisu podržani.

Nadogradnja za poboljšano
Private transcript
Chat sa transkriptom
Otključaj sa Pro →
Ispusti datoteku ovdje ili klikni za pregledavanje
MP3, WAV, M4A, FLAC, MP4, MKV, MOV, WebM — do 2GB
Nadogradnja za poboljšano
Private transcript
Chat sa transkriptom
Otključaj sa Pro →
Nadogradnja za poboljšano
Snimanje: 0:00
U stvarnom vremenu Vosak (trenutno)
Poboljšano Šepni (precizno)
2017.  Službena stranica (en) 24h. · Prijavite se for 7d + audio · Pro za privatne veze

Govor u tekst u realnom vremenu. AI automatski ispravlja dok govorite - tačnost se poboljšava s dužim govorom.

Prvo provjeri mikrofon
❤️ Volite STT.ai?
Koristio si svoje besplatne transkripte.

Registrirajte se besplatno da biste dobili 600 minuta mjesečno, ili nadogradite za neograničene transkripcije.

10 slobodnih minuta/dan 600 min besplatno uz prijavu Nema kreditne kartice Kriptirano
Prijavite se besplatno →

1. Upload Snimanje govora

Učitaj audio ili video datoteku, zalijepi URL, ili snimi govor sa svog mikrofona.

2. AI pretvara govor u tekst

Izaberite iz 10+ AI modela.

Izvozi svoj transkript

Preuzmite u 6 formata. Podijelite linkove sa audio reprodukcijom.

Podržani formati unosa govora

Pretvori govor u tekst na preko 100 jezika

Slučajevi upotrebe govora u tekst

Spreman za pretvorbu govora u tekst?

Počni slobodno →

Često postavljana pitanja

Govor u tekst (također poznat kao prepoznavanje govora ili ASR) pretvara izgovoreni zvuk u pisane riječi automatski. STT.ai pokreće vašu snimku kroz AI model koji sluša zvuk i izlazi tekst koji se može uređivati sa vremenskim žigovima i oznakama govornika - nije potrebno tipkanje.

Akustički model preslikava zvučni talasni oblik na foneme, a zatim jezički model sastavlja te u najvjerovatnije riječi i interpunkciju. STT.ai to radi na GPU-u sa modelima kao što su Whisper Large V3 i NVIDIA Canary, tako da je jednosatno snimanje obično završeno za 2-3 minute.

Svaki posjetilac dobija 600 besplatnih minuta mjesečno bez registracije za prvi dosje. Plaćeni planovi počinju od 5 dolara mjesečno i dodaju duge dosjee, privatne transkripte i prioritetnu obradu.

On clean speech our best models reach 95-97% accuracy (a 3-5% Word Error Rate on benchmarks). Accuracy drops with background noise, heavy accents, crosstalk, or low-bitrate audio — using a decent microphone and a quiet room makes the biggest difference.

Yes. Speak into your microphone and STT.ai streams the transcript live via the live-transcription tool. You can also upload a finished recording for batch transcription if you don't need it word-by-word as you talk.

STT.ai recognizes 100+ languages and auto-detects the spoken language for most audio. You can also set the language manually for a small accuracy lift, and mixed-language recordings are handled by switching mid-clip.

Yes. Speaker diarization labels each voice (Speaker 1, Speaker 2, ...) and you can rename them in the editor. This works across every supported model and language.

STT.ai accepts 20+ formats including MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, and AVI. Output to TXT, SRT, VTT, DOCX, JSON, or PDF.

Speech to text transcribes WHAT was said into words; voice recognition (speaker identification) determines WHO said it. STT.ai does both — transcription plus speaker diarization — but the terms describe different tasks.

Yes. Audio is processed and deleted by default. Pro plans add client-side encryption so transcripts are unreadable without your key, even to STT.ai, and your data is never used for model training without explicit opt-in.

Yes. STT.ai has a REST API with Python and Node.js SDKs plus an MCP server for Claude and Cursor. The free API tier includes 100 minutes/month, with per-second billing beyond that.

Yes. Every transcript opens in a built-in editor where you can fix misheard words, rename speakers, adjust timestamps, and add notes. Edits persist across every export format.