English Transcription
Convert English (English) audio to text with AI. Fast, accurate, 10+ models.
Best Models for English
| Model | Provider | WER | Speed | |
|---|---|---|---|---|
| STT.ai Enhanced Best | STT.ai | 3.2% | Try it | |
| Whisper Large V3 | OpenAI | 4.2% | Try it | |
| Whisper Turbo | OpenAI | 5.1% | Try it | |
| NVIDIA Canary | NVIDIA | 3.5% | Try it | |
| Moonshine | Useful Sensors | 7.8% | Try it | |
| NVIDIA Parakeet | NVIDIA | 3.0% | Try it | |
| SenseVoice | FunAudioLLM | 5.5% | Try it | |
| Distil-Whisper | Hugging Face | 5.8% | Try it | |
| Vosk | Alpha Cephei | 12.0% | Try it |
སྐོར་ English Transcription
English is the most widely spoken language globally and the dominant language for business, technology, and international communication. STT.ai provides industry-leading English speech recognition across all major accents including American, British, Australian, and Indian English.
STT.ai provides state-of-the-art English དྲི་བ་དྲིས་ལན, སློབ་སྟོན་, སྙན་ཞུ་, ཡང་ན་ ཚོགས་འདུའི་ཡིག་སྒྱུར་ དང་ ཡིག་སྒྱུར་ གཉིས་ཆ་ར་ སྐད་ཡིག་མ་འདྲཝ་ དང་ སྐད་ཡིག་མ་འདྲཝ་ ནང་ འབད་དགོཔ་ཨིན་ན། English, our platform automatically detects the language and selects the optimal model for the best accuracy.
ཐད་ཀར་གང་འདྲ་ English ཡིག་སྒྱུར།
ཐད་ཀར་ English སྒྲ་སྐད་ཀྱི་སྤུས་ཚད་དང་སྒྲ་སྐད་གསལ་པོར་བཤད་པ་ལ་བརྟེན་ནས་སྐད་ཡིག་གི་ཡིག་སྒྱུར་ལེགས་པར་གྲུབ་མི་ཐུབ། སྐད་ཡིག་གི་སྤུས་ཚད་དང་སྒྲ་སྐད་གསལ་པོར་བཤད་པ་ལ་བརྟེན་ནས་སྐད་ཡིག་གི་ཡིག་སྒྱུར་ལེགས་པར་གྲུབ་མི་ཐུབ། སྐད་ཡིག་གི་ཡིག་སྒྱུར་ལེགས་པར་བཤད་པ་ལ་བརྟེན་ནས་སྐད་ཡིག་གི་ཡིག་སྒྱུར་ལེགས་པར་གྲུབ་མི་ཐུབ། English -- འགྲོ་བ་མིའི་གནས་ཚད་ཀྱི་གཏན་གཏན་ཧ་ལམ་ལྷོད་དེ།
གྲུབ་འབྲས་ལེགས་ཤོམ་ཐོབ་ཐབས་ལུ་ English སྒྲ་སྙན་ལ་བརྟེན་ནས་, ང་ཚོས་གྲོས་འཆར་བཀོད་དོ།
- སྒྲ་དྲི་རོ་རེག་བྱ་ -- རྒྱབ་རྟེན་གྱི་སྒྲ་རླབས་མར་ཕབ་དང་ སྒྲ་རླབས་ཆེ་བའི་ཕྲ་སྒྲ་སྒྲོག་
- གཅིག་གི་སྒྲ་སྐད་ཀྱི་ཆ་ཤས་ -- སྒྲ་སྐད་དྲན་ཐོ་སྒྲ་སྐད་མང་བའི་སྒྲ་སྐད་དྲན་ཐོ་
- ཐད་ཀར་དཔེ་ཚད་དེ་གདམ་ཁ་རྐྱབ -- NVIDIA Canary གིས་སྐད་ཡིག་རྒྱབ་སྐྱོར་ཡོད་མི་ལ་ WER ཉུང་ཤོས་ཅིག་བྱིན་དོ་ཡོད་རུང་ Whisper Large V3 གིས་སྐད་ཡིག་རྒྱབ་སྐྱོར་ཡོད་མི་ལ་ WER མཐོ་ཤོས་ཅིག་བྱིན་དོ་ཡོདཔ་ཨིན།
- སྐད་ཡིག་གསལ་བཀོད། -- རང་གསལ་འཚོལ་ཞིབ་ཀྱིས་ལེགས་ཤོམ་སྦེ་ལཱ་འབད་རུང་ ལག་ཐོག་གི་གདམ་ཁ་འདི་གིས་ English ཐད་ཀར་ཐད་ཀར་དུ་ལེགས་བཅོས་འབད་ཆོགཔ་ཨིན་མས།
ཐོན་སྐྱེད་ཡིག་གཟུགས་ཚུ། English ཡིག་སྒྱུར།
ཡིག་སྒྱུར་བྱས་རྗེས་ English ཡིག་གཟུགས་དང་སྒྲ་སྐད་གཉིས་ཀའི་དོན་དུ་ དྲན་ཐོ་བསྡུ་ལེན་གྱི་གྲུབ་འབྲས་འདི་བསྐུར་བ་ནི་ གཤམ་གསལ་གྱི་ཡིག་གཟུགས་དང་སྒྲ་སྦྱོར་ནང་ལས་ གང་རུང་ཞིག་ཡིན་པར་འདོད་པ་ཨིན།
TXT
ཡིག་གཟུགས་ཀྱི་ཡིག་སྒྱུར་
SRT
ཡིག་འོག་མའི་དུས་ཚོད་དང་བསྟུན་པ།
VTT
དྲ་རྒྱའི་རྒྱང་མཐོང་གི་མིང་བྱང་
DOCX
Word ཡིག་ཆ།
JSON
བཟོ་བཀོད་ཀྱི་གནས་སྡུད་དང་དུས་ཚོད་རྟགས་
PDF
པར་སྐྲུན་གྱི་དོན་ཡོད་ལུགས་ཡིག་ཆ།
འཕྲལ་འཕྲལ་དྲི་བ་དྲིས་པའི་ལན་
Upload an audio or video file containing English (English) to STT.ai or paste a URL. Select a model that supports English — for best results pick the one with the lowest WER on the table above — and click Transcribe.
STT.ai ལས་རིམ་འདི་ནང་ English ལས་རིམ་དང་ 1.5 billion ལས་རིམ་གཉིས་ཆ་ར་ཚུད་དོ་ཡོདཔ་མས། ཐོག་མའི་ཡིག་ཆ་ནང་ལུ་ ཐོ་བཀོད་ཀྱི་དགོས་མཁོ་མེདཔ་ཨིན། གོང་གི་ཡིག་ཆ་ནང་ལུ་ སྒེར་གྱི་ཡིག་ཆ་ཚུད་དོ་ཡོདཔ་ཨིན།
English གི་སྒྲ་སྐད་གསལ་ཏོག་ཏོ་འདི་ ༩༣-༩༦% ཚུན་ཚོད་ལྷོད་དེ་འདུག གྲངས་རྩིས་དང་མིང་ཚིག་ངོ་མ་ དེ་ལས་ སྒྲ་སྒྱུར་རྣམ་པ་ཚུ་ ག་ར་རང་དབང་དུ་ བདག་འཛིན་འབད་དོ་ཡོདཔ་ཨིན། སྒྲ་སྐད་གསལ་ཏོག་ཏོ་དང་ རྒྱབ་རྟེན་གྱི་སྒྲ་སྐད་ཉུང་ཤོས་ཀྱིས་ གྲུབ་འབྲས་ལེགས་ཤོམ་ཐོབ་དོ་ཡོདཔ་ཨིན།
The table above ranks the supported models for English by WER (lower is better). Whisper Large V3 has the broadest English coverage; NVIDIA Canary has the lowest WER on supported English variants; STT.ai Enhanced unifies both for paid plans.
ངེས། English ཐོན་འབྲས་ནང་ལུ་ ཡིག་བརྡ་ (དུས་མཚམས་, ཚ་མཚམས་, དྲི་བ་རྟགས་) དང་ ཡིག་གཟུགས་ཀྱི་སྦོམ་ཆུང་ཚུ་ཡོདཔ་ཨིན། གྲངས་དང་མིང་ཚིག་འདི་ English གི་ལམ་ལུགས་དང་བསྟུན་པ་ཨིན། ཡིག་སྒྱུར་རྩོམ་སྒྲིག་པ་འདི་གིས་ ཡིག་བརྡ་ ལག་ལེན་གྱིས་བཟོ་བཅོས་འབད་ཚུགས།
Yes. Speaker diarization is language-agnostic and works on English the same way it does on English. Each speaker is labeled (Speaker 1, Speaker 2, ...) and you can rename them in the editor after transcription.
Most English files are transcribed in under 5 minutes. A 1-hour English audio file typically takes 2-3 minutes with our fastest models, and slightly longer with the highest-accuracy models.
English files in MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, AVI, and 10+ other formats all work. Output to TXT, SRT, VTT, DOCX, JSON, and PDF — all with English text intact.
ང་བཅས་ཀྱིས་ English སྒྲ་འཕྲིན་ཡིག་ཆ་ཚུ་ སྔོན་འགྲོའི་ཐོག་ལས་ བཟོ་བཅོས་དང་ རྩ་བསྐྲད་གཏང་དོ་ཡོདཔ་ཨིན། དམིགས་བསལ་འཆར་གཞི་འདི་གིས་ བདག་འཇུག་པ་གི་ཁེ་ཕན་ཁ་ཐུག་ལས་ ཡིག་ཆ་བཀག་ཆ་འབད་ནི་ འགོ་བཙུགས་དོ་ཡོདཔ་ཨིན། གལ་སྲིད་ ང་བཅས་ཀྱི་གནས་སྡུད་ བཀག་ཆ་འབད་རུང་ ང་བཅས་ཀྱི་ཡིག་ཆ་ ང་བཅས་ཀྱི་གོ་མཚོན་མེད་པའི་སྐབས་ལུ་ མ་ཀློག་པར་ བཞག་དོ་ཡོདཔ་ཨིན། English གནས་སྡུད་འདི་ དམིགས་བསལ་གྱིས་ ངོས་ལེན་མ་འབད་བའི་ དཔེ་སྟོན་གྱི་ སྦྱོང་བརྡར་ ནང་ལུ་ མ་ལག་ལེན་འཐབ་དོ་ཡོདཔ་ཨིན།
ངེད་ཀྱིས་ ཡིག་སྒྱུར་འདི་ SRT དང་ VTT གཉིས་ཆ་ར་ ཡུ་ཨེསི་ཊིའུ་བི་ཡོ་ ཝི་མི་འོ་ ཊིཀ་ཀོ་ཊོ་ དེ་ལས་ ཡོངས་གྲགས་ཅན་གྱི་ ཝིཌོ་ཡོ་ཌི་ ཊིཀ་ཨོ་ཊི་ གཉིས་ཆ་ར་ ལག་ལེན་འཐབ་ཆོག་ནི་ཨིན་མས། ཡིག་སྒྱུར་འདི་ ཝིཌོ་ཡོ་ཌི་ ཊིཀ་ཀོ་ཊོ་ གཉིས་ཆ་ར་ ཡུ་ཨེསི་ཊིའུ་བི་ཡོ་ ཝི་མི་འོ་ ཊིཀ་ཨོ་ཊི་ གཉིས་ཆ་ར་ ལག་ལེན་འཐབ་ཆོག་ནི་ཨིན་མས།
ང་བཅས་ཀྱིས་ English གི་ཡིག་སྒྱུར་འདི་ 100+ གི་སྐད་ཡིག་ནང་ སྐད་སྒྱུར་འབད་ཚུགས། གལ་སྲིད་ English གི་ནང་དོན་འདི་ རྒྱང་བསྒྲགས་བརྒྱུད་ལམ་ནང་ རྒྱང་བསྒྲགས་དགོས་ན་ དོན་དུ་ཕན་ཐོགས་ཡོད།
YES. REST API གིས་ English གི་སྐད་ཡིག་གི་ཚད་མ་བརྒྱུད་དེ་ རྒྱབ་སྐྱོར་འབད་དོ་ཡོདཔ་ཨིན། Python དང་ Node.js SDK ཚུ་གིས་ English གི་སྒྲ་སྐད་འདི་ དུས་དང་སྐད་བརྡ་མཁས་པ་གི་མིང་ཐོ་ ཡོངས་སུ་རྫོགས་པ་ གཅིག་ཁར་ བསྒྱུར་ཚུགས་དོ་ཡོདཔ་ཨིན།
English གི་དོན་ལས་ བདེན་ཁུངས་ཀྱི་འགྱུར་བ་ཆེ་བ་ཆེ་ཤོས་འདི་ རྒྱབ་རྟེན་གྱི་སྒྲ་རླབས་དང་ སྒྲ་སྐད་གཉིས་མཉམ་སྡོམ་ནི་ དེ་ལས་ སྐད་བརྡའི་སྒྲ་སྒྲའི་ཤུགས་ཆེ། སྒྲ་སྐད་ལེགས་ཤོམ་ཅིག་བཙུགས་ཏེ་ སྒྲ་སྐད་སོ་སོ་ལག་ལེན་འཐབ་སྟེ་ སྐད་བརྡའི་སྐད་བརྡའི་ཐོག་ སྦྱོང་བརྡར་ཐོབ་ཡོད་པའི་ དཔེ་ཚད་ཅིག་གདམ་ཁ་།