Zdarma proslov k textu online
Převést řeč na text pomocí AI transkripce. Nahrát zvukové soubory, záznam z mikrofonu, nebo vložit URL. 100+ jazyky, 10+ modely, 98%+ přesnost.
1. Odeslání nahrávání řeči
Nahrajte audio nebo video soubor, vložte URL, nebo záznam řeči z mikrofonu.
2. AI konvertuje řeč na text
Vyberte si z 10+ AI modelů. Detekce reproduktorů a jazyk auto-detekce zahrnuty.
3. Exportovat svůj Transcript
Stáhnout v 6 formátech. Sdílet transkripční odkazy s audio přehrávání.
Proslov k textovým modelům
Vyberte si model AI, který vyhovuje vašim potřebám nebo si vyberte ten nejlepší.
Řeč k textu ve 100+ jazycích
Připraveni konvertovat řeč do textu?
Spustit zdarma →Často kladené otázky
Proslov k textu (také nazývanému rozpoznávání řeči nebo ASR) automaticky přeměňuje mluvený zvuk na psaná slova. STT.ai spouští záznam přes model AI, který poslouchá audio a výstupy editovatelný text s časovými známkami a reproduktory etiketami!
Akustický model mapuje zvukovou vlnu do telefonů, pak jazykový model sestavuje ty do nejpravděpodobnějších slov a interpunkcí. STT.ai to dělá na GPU s modely jako Whisper Large V3 a NVIDIA Canary, takže jednohodinová nahrávka se obvykle provádí za 2-3 minuty.
Ano. Každý návštěvník dostane 600 volných minut měsíčně bez nutnosti registrace pro váš první soubor. Placené plány začínají na $5/měsíc a přidat delší soubory, soukromé přepisy, a přednostní zpracování.
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.