Slobodni govor na tekstu online

Pretvorite govor u tekst s AI pogonom transkripcije. Ubacite zvučne datoteke, snimite s mikrofona ili zalijepite URL. 100+ jezika, 10+ modela, 98% preciznost.

Radi s javno dostupnim audio & video. DRM zaštićeni sadržaj nije podržan.

Nadogradnja za poboljšanje
Private transcript
Čavrljaj s transkriptom
Otključaj pomoću pro →
Ispustite datoteku ovdje ili kliknite za pregled
MP3, WAV, M4A, FLAC, MP4, MKV, pokret, WebM — do 2GB
Nadogradnja za poboljšanje
Private transcript
Čavrljaj s transkriptom
Otključaj pomoću pro →
Nadogradnja za poboljšanje
Snimanje: 0:00
Realno vrijeme Vosk (instant)
Povećano Šaputanje (precizno)
Javne veze: 24h, samo tekst · Upišite se za 7d + zvuk · Profesionalno za privatne veze

Realno vrijeme govor na tekst. AI automatski ispravlja dok govorite – preciznost se poboljšava s dužim govorom.

Isprobaj prvo mikrofon
❤️ Love STT.ai? Tell your friends!
Koristio si besplatne transkripcije.

Prijavite se besplatno dobiti 600 minuta/mjesečno, ili nadogradnja za neograničene transkripcije.

10 besplatnih min/dan 600 min besplatno s prijavom Nema kreditne kartice Šifrirano
Upišite se besplatno →

1. Pošaljite snimku govora

Pošaljite zvučnu ili video datoteku, zalijepite URL ili snimite govor iz mikrofona.

2. AI pretvara govor u tekst

Odaberite iz 10+ AI modela. Uključeno je otkrivanje zvučnika i automatsko prepoznavanje jezika.

3. Izvezi svoj Transcript

Preuzmite u 6 formata. Podijelite transkriptne linkove s audio reprodukcijom.

Podržani formati unosa govora

Spreman za pretvorbu govora u tekst?

Pokreni slobodno →

Česta pitanja

Govor na tekst (također zvani prepoznavanje govora ili ASR) pretvara govorni zvuk u pismene riječi automatski. STT.ai pokreće snimanje kroz AI model koji sluša zvuk i izlaze uređivajući tekst s vremenskim oznakama i zvučnicima - nema potrebe za tipkanjem.

Akustični model mapira zvučni valovni oblik na foneme, zatim jezični model sastavlja one u najvjerojatnije riječi i interpukciju. STT.ai to radi na GPU s modelima kao što su Whisper Large V3 i NVIDIA Canary, tako da se jedan sat snimanja obično radi u 2-3 minuta.

Da. Svaki posjetitelj dobiva 600 besplatnih minuta mjesečno bez prijave potrebnog za vaš prvi dosje. Plaćeni planovi počinju od 5 dolara mjesečno i dodaju duže datoteke, privatne transkripte, i prioritetna obrada.

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.