Libreng Pagsasalita sa Text Online

Ang Speech to text (tinatawag din na speech recognition o ASR) ay awtomatikong nagko-convert ng sinasalitang audio sa mga nakasulat na salita. Pinapatakbo ng STT.ai ang iyong pag-record sa pamamagitan ng isang AI model na nakikinig sa audio at nag-e-edit ng teksto na may mga timestamp at label ng speaker — walang kinakailangang pag-type.

Ang isang modelong acoustic ay nag-mapping ng waveform ng tunog sa mga phonem, at pagkatapos ay ang isang modelong wika ay nag-asemble ng mga ito sa mga pinaka-malamang na mga salita at punsiyon. STT.ai ginagawa ito sa GPU na may mga modelo tulad ng Whisper Large V3 at NVIDIA Canary, kaya ang isang oras na pag-record ay karaniwang ginagawa sa2-3 minuto.

Ang bawat bisita ay makuha ng 600 libreng minuto upang magsimula nang walang pag-sign up na kinakailangan para sa iyong unang file. Ang bayad na plano ay nagsisimula sa $5/buwan at magdagdag ng mas mahabang mga file, pribadong transcript, at priority processing.

Sa malinis na pagsasalita ang aming pinakamahusay na mga modelo maabot 95-97% katumpakan (3-5% Word Error Rate sa benchmarks). Katumpakan drop sa background ingay, mabigat na accents, crosstalk, o low-bitrate audio - gamit ang isang magandang mikropono at isang tahimik na kuwarto ay gumagawa ng pinakamalaking pagkakaiba.

Oo. Magsalita sa iyong mikropono at STT.ai streams ang transcript live sa pamamagitan ng live-transcription tool. Maaari mo ring i-upload ang isang tapos na pag-record para sa batch transcription kung hindi mo kailangan ito salita-sa-salita habang nagsasalita ka.

STT.ai kinikilala 100+ wika at auto-detects ang sinasalitang wika para sa karamihan ng audio. Maaari mo ring itakda ang wika nang manu-mano para sa isang maliit na katumpakan lift, at halo-halong-wika recordings ay hinawakan sa pamamagitan ng paglipat ng gitna-clip.

Oo. Speaker diarization label bawat boses (Speaker 1, Speaker2,...) at maaari mong palitan ang pangalan sa kanila sa editor. Ito ay gumagana sa bawat suportadong modelo at wika.

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.

Ang pagsasalita sa teksto ay nagpapatala ng ANO ang sinabi sa mga salita; ang pagkilala sa boses (pagkilala sa tagapagsalita) ay nagpapakita kung sino ang nagsabi nito. Ang STT.ai ay parehong gumagawa ng pagsasalin at pag-diarization ng tagapagsalita, ngunit ang mga termino ay naglalarawan ng iba't ibang mga gawain.

Pro plano magdagdag ng client-side encryption kaya transcripts ay hindi mababasa nang walang iyong key, kahit na sa STT.ai, at ang iyong data ay hindi kailanman ginagamit para sa modelo ng pagsasanay nang walang malinaw na opt-in.

STT.ai ay may isang REST API na may Python at Node.js SDKs plus isang MCP server para sa Claude at Cursor. Ang libreng API antas ay kasama ang 100 minuto / buwan, na may bawat-second billing sa labas na.

Oo. Ang bawat transcript ay bubukas sa isang built-in na editor kung saan maaari mong ayusin misunderstood salita, pangalanan speakers, ayusin timestamps, at magdagdag ng mga tala. Edits persist sa bawat format ng pag-export.