Free speech to text online مشارکت‌کنندگان ویکی‌پدیا.

تبدیل گفتار به متن با رونویسی هوش مصنوعی. پرونده‌های صوتی را بارگذاری کنید، از میکروفون خود ضبط کنید، یا یک نشانی وب را بچسبانید. بیش از ۱۰۰ زبان، ۱۰ مدل، دقت ۹۸٪+.

با صوت و ویدئوهای در دسترس عمومی کار می‌کند. محتوای محافظت شده با DRM پشتیبانی نمی‌شود.

ارتقا برای بهبودیافته
Private transcript
گپ زدن با رونوشت
باز کردن قفل با Pro →
پروندۀ را اینجا بگذارید یا برای مرور کلیک کنید
MP3, WAV, M4A, FLAC, MP4, MKV, MOV, WebM — تا ۲ گیگابایت
ارتقا برای بهبودیافته
Private transcript
گپ زدن با رونوشت
باز کردن قفل با Pro →
ارتقا برای بهبودیافته
ضبط: 0:00
زمان واقعی موم (موقت)
بهبودیافته زمزمه (دقت)
وبگاه رسمی 24hours.com · ثبت نام برای 7d + صدا · حرفه اي برای پیوندهای خصوصی

گفتار به متن در زمان واقعی. هوش مصنوعی خودکاراً در حین صحبت کردن شما را اصلاح می‌کند - دقت با صحبت طولانی تر بهبود می‌یابد.

ابتدا میکروفون خود را امتحان کنید
❤️ دوست STT.ai رو به دوستانت بگو
تو از رونوشت هاي مجانيت استفاده کردي

برای دریافت ۶۰۰ دقیقه/ماه رایگان ثبت نام کنید یا برای رونوشت‌های نامحدود ارتقاء پیدا کنید.

۱۰ دقیقه آزاد در روز 600 دقیقه رایگان با ثبت نام کارت اعتباري ندارم رمزگذاری شده
ثبت نام مجانی →

۱. بارگذاری ضبط گفتار

بارگذاری یک پرونده صوتی یا ویدئویی، چسباندن یک نشانی وب، یا ضبط گفتار از میکروفون خود.

2. هوش مصنوعی گفتار را به متن تبدیل می‌کند

از ۱۰ مدل هوش مصنوعی انتخاب کنید. تشخیص گوینده و تشخیص خودکار زبان شامل می‌شود.

3. صادرات رونوشت خود

دانلود در 6 قالب. اشتراک لینک های رونوشت با پخش صدا.

قالبهای ورودی گفتار پشتیبانی‌شده

مدلهای گفتار به متنName

مدل هوش مصنوعی را که با نیازهای شما سازگار است انتخاب کنید یا اجازه دهید ما بهترین را انتخاب کنیم.

تبدیل گفتار به متن در بیش از ۱۰۰ زبان

مثالهای استفاده از گفتار به متن

آماده تبدیل گفتار به متن هستید ؟

شروع آزاد →

پرسشهای متداول

STT.ai ضبط شما را از طریق یک مدل هوش مصنوعی اجرا می‌کند که به صدا گوش می‌دهد و متن قابل ویرایش با مهر زمان و برچسب‌های سخنران را تولید می‌کند - تایپ کردن نیازی نیست.

An acoustic model maps the sound waveform to phonemes, then a language model assembles those into the most likely words and punctuation. STT.ai does this on GPU with models like Whisper Large V3 and NVIDIA Canary, so a one-hour recording is usually done in 2-3 minutes.

بله. هر بازدیدکننده ۶۰۰ دقیقه رایگان در ماه بدون نیاز به ثبت نام برای اولین پرونده شما دریافت می‌کند. برنامه‌های پرداختی از ۵ دلار در ماه شروع می‌شوند و پرونده‌های طولانی‌تر، رونوشت‌های خصوصی و پردازش اولویت دار را اضافه می‌کنند.

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.