Sgwrs Am Ddim i Destun Ar-leinName

Trosi siarad i destun gyda throsglwyddiad a bwerir gan AI. Llwytho ffeiliau sain, recordio o'ch meicroffon, neu gludo URL. 100+ iaith, 10+ model, 98%+ o gywirdeb.

Gweithio gyda sain a fideo sydd ar gael yn gyhoeddus. Ni chynhelir cynnwys sydd wedi'i amddiffyn gan DRM.

Uwchraddio i Gyflym
Private transcript
Sgwrsio gyda throsglwyddiad
Datgloi gyda Pro →
Rholio ffeil yma neu glicio i bori
MP3, WAV, M4A, FLAC, MP4, MKV, MOV, WebM - hyd at 2GB
Uwchraddio i Gyflym
Private transcript
Sgwrsio gyda throsglwyddiad
Datgloi gyda Pro →
Uwchraddio i Gyflym
Recordio: 0:00
Amser real Cerrig (amserol)
Uwch Chwiban (cyson)
Cyswllt cyhoeddus: 24 awr, testun yn unig · Cofrestru ar gyfer 7d + sain · Proffesiynol am gysylltiadau preifat

Llythrennedd amser real i destun. Mae AI yn cywiro'n awtomatig wrth i chi siarad - mae cywirdeb yn gwella gyda llais hirach.

Arbrofi eich meicroffon yn gyntaf
❤️ Hoffwch STT.ai? Meddwl am eich ffrindiau!
Rydych wedi defnyddio eich trosysgrifiadau am ddim

Cofrestru am ddim i gael 600 munud/mis, neu uwchraddio am drosysgrifiadau diderfyn.

10 munud rhydd/diwrnod 600 munud am ddim gyda chofrestru Dim cerdyn credyd Wedi' i amgryptio
Cofrestru am ddim →

1. Lanlwytho Recordiad Lleferydd

Llwytho ffeil sain neu fideo, gludo URL, neu recordio siarad o'ch meicroffon.

2. AI yn Trosi Lleferydd i Destun

Dewis o 10+ modelau AI. Canfod siaradwr a chanfod iaith yn awtomatig yn cynnwys.

3. Allforio' ch Trawssgrifiad

Lawrlwytho mewn 6 fformat. Rhannu cysylltiadau trosysgrif gyda chwarae sain.

Fformatau Mewnbwn Lleferydd a gynhelir

& Gwaredu Iaith

Cychwyn Rhydd →

Cwestiynau a Ofynnir yn Aml

Mae Speech to text (a elwir hefyd yn adnabyddiaeth siarad neu ASR) yn trosi sain a lefarwyd yn ymysgogol i eiriau ysgrifenedig. Mae STT.ai yn rhedeg eich recordiad trwy ddull AI sy'n gwrando ar y sain ac yn allbwn testun golygus gyda stampiau amser a labeli siaradwr — nid oes angen teipio.

Mae model sain yn mapio'r tonfedd sain i fonemau, yna mae model iaith yn eu gosod yn y geiriau a'r atalnodi mwyaf tebygol. Mae STT.ai yn gwneud hyn ar GPU gyda modelau fel Whisper Large V3 a NVIDIA Canary, felly mae recordio awr yn cael ei wneud yn aml mewn 2-3 munud.

Ie. Mae pob ymwelydd yn cael 600 munud am ddim y mis heb angen cofrestru ar gyfer eich ffeil gyntaf. Mae cynlluniau talu yn dechrau ar $5/mis ac yn ychwanegu ffeiliau hirach, trosysgrifau preifat, a phrosesu blaenoriaeth.

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.