وبگاه رسمی Free Video to Text Online
تبدیل ویدئو 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٪+.
بارگذاری ویدئو
بارگذاری MP4، MKV، MOV، WebM، یا AVI. صدا بهطور خودکار استخراج میشود.
2. AI ویدئو را رونوشت میکند
هوش مصنوعی آهنگ صوتی را با برچسبهای بلندگو و مهرهای زمانی استخراج و رونویسی میکند.
3. صادرات & عنوان
بارگیری زیرنویسها به عنوان SRT/VTT برای زیرنویسگذاری. یا صادرات رونوشت به عنوان TXT، DOCX، PDF.
مدلهای ویدئو به متن
مدل هوش مصنوعی را که با نیازهای شما سازگار است انتخاب کنید یا اجازه دهید ما بهترین را انتخاب کنیم.
رونوشت ویدئویی در بیش از ۱۰۰ زبان
آماده تبدیل ویدئو به متن هستید؟
شروع آزاد →پرسشهای متداول
Upload your video file or paste a video URL. STT.ai extracts the audio track automatically — no separate demux step — runs it through your chosen AI model, and returns the transcript plus SRT/VTT subtitles.
MP4, MKV, MOV, WebM, AVI, and other common containers are all supported. You don't need to extract the audio yourself — upload the video as-is.
Yes. Export the transcript as SRT or VTT for upload to YouTube, Vimeo, or any player, and the burn-subtitles tool can hardcode captions directly onto the video. MKV and MP4 also support attaching soft-subtitle tracks without re-encoding.
Yes. STT.ai includes 600 free minutes per month — about ten hours of video. Paid plans starting at $5/month add larger files, longer videos, and private transcripts.
Accuracy depends on the audio track inside the video — higher-bitrate audio (256 kbps+) transcribes better than heavily compressed soundtracks. Our best models reach 93-95% on clean dialogue.
Files up to 2 GB are supported on every plan. Free users get up to one hour of video per file; paid plans extend that to 8+ hours. For huge raw camera files, compress to H.264/AAC or use a URL upload.
Yes. Paste a public video URL from any of 1,300+ supported platforms and STT.ai fetches the video and extracts its audio automatically. DRM-protected or private videos must be downloaded manually first.
Yes. Speaker diarization labels each voice (Speaker 1, Speaker 2, ...) and you rename them in the editor — useful for interviews, panels, and multi-host video.
Yes. 100+ languages with auto-detection. You can also translate the finished transcript or subtitles into other languages with the subtitle-translator tool for a wider audience.
Export to SRT or VTT for subtitles, plus TXT, DOCX, PDF, or JSON for articles, show notes, and archives. JSON keeps machine-readable timestamps and speaker labels.
Yes. Video and the extracted audio are processed and deleted by default, and Pro plans add client-side encryption so transcripts are unreadable without your key. Nothing is used for training without explicit opt-in.
Most videos finish in a few minutes; a one-hour video typically takes 3-5 minutes depending on the model and current GPU load. Long videos queue and email you when they're done.