What is Perso AI Speech to Text, and how does it differ from basic transcription tools?

Perso AI Speech to Text converts video and audio files into accurate, speaker-separated scripts in 99+ languages. Unlike basic transcription tools, it automatically detects every speaker, lets you reassign any segment to a different detected speaker, and exports editable SRT, VTT, XLSX, and JSON files for subtitling, archiving, or content workflows.

How does Perso AI charge for Speech to Text usage?

Perso AI deducts 1 credit per minute of media length for Speech to Text and Voice Separation — the same rate as AI Dubbing. Only Lip Dubbing uses 3× credits. There is no per-feature usage cap, so you can freely allocate credits across Speech to Text, Voice Separation, and Dubbing based on your workflow needs.

Is Perso AI Speech to Text available on the free plan?

Yes. Speech to Text is fully available on the Perso AI free plan within the included 1 minute of free credit. This lets you transcribe a short clip, verify speaker diarization accuracy, and test SRT or VTT export quality before upgrading to a paid plan for longer media.

Does Speech to Text support Low Speed mode for higher accuracy?

No. Low Speed mode is not supported for Speech to Text or Voice Separation. It is only available for AI Dubbing and Lip Dubbing, where translation quality benefits from slower, more refined processing. Speech to Text runs on a fast, high-accuracy pipeline optimized for transcription rather than translation.

Can I set a target language for Speech to Text output?

No. Speech to Text transcribes speech in the same language it is spoken — it is not a translation feature, so there is no target language setting. If you need to translate and re-voice your video into another language, use Perso AI Dubbing, which handles transcription, translation, and voice synthesis in one workflow.

How does speaker diarization work in Perso AI?

Perso AI automatically detects every speaker present in the original audio or video and assigns a speaker label to each segment. You can then reassign any segment to a different detected speaker, and the updated labels are reflected in every exported file (SRT, VTT, XLSX, JSON), keeping subtitles consistent across downstream workflows.

Which export formats does Perso AI Speech to Text support?

Perso AI Speech to Text exports four formats: SRT and VTT for subtitles and video players, XLSX for editorial review or translation workflows, and JSON for developer integrations and automation. Every format includes speaker labels, timestamps, and any edits you make in the web editor.

How many languages does Perso AI Speech to Text support?

Perso AI Speech to Text automatically detects and transcribes 99+ languages, including English, Korean, Japanese, Spanish, German, French, Portuguese, and Russian. Language detection is automatic, so you can upload multilingual content without pre-selecting a source language.

Can I edit the transcribed text before exporting?

Yes. You can edit any transcribed line directly inside the Perso AI web editor, fix misrecognized words, and refine punctuation. Your edits sync automatically to SRT, VTT, XLSX, and JSON exports, so you never have to manually reconcile subtitle files after correction.

Is Perso AI Speech to Text suitable for meetings, interviews, and YouTube videos?

Yes. Perso AI Speech to Text is optimized for multi-speaker media such as team meetings, podcast interviews, webinars, and long-form YouTube videos. Automatic speaker diarization, timestamp accuracy, and direct SRT/VTT export make it a drop-in replacement for manual transcription workflows in content and research teams.

การถอดเสียงเป็นข้อความด้วย AI พร้อมการจัดการผู้พูด, สรุปด้วย AI และการส่งออกคำบรรยาย

แปลงเสียงพูดเป็นข้อความด้วย AI พร้อมการจัดการผู้พูด, สรุปด้วย AI และส่งออกคำบรรยาย

การแปลงเสียงพูดเป็นข้อความด้วย AI พร้อมการจัดการผู้พูด สรุปด้วย AI และการส่งออกคำบรรยาย

ถอดเสียงเป็นข้อความด้วย AI พร้อมการจัดการผู้พูด สรุปด้วย AI และส่งออกคำบรรยาย

อัปโหลดไฟล์วิดีโอหรือไฟล์เสียงใดก็ได้ Perso AI ถอดเสียงได้มากกว่า 99 ภาษา พร้อมการตรวจจับผู้พูดอัตโนมัติ สร้างสรุปด้วย AI พร้อมรายการงานที่ต้องทำ และส่งออกได้ทั้งคำบรรยาย สคริปต์ หรือวิดีโอที่ฝังคำบรรยายไว้ การประมวลผลใช้เวลาไม่ถึง 2 นาทีต่อ 1 ชั่วโมง ทุกอย่างทำงานอัตโนมัติ

ลองเลย

ดูวิธีการทำงาน

ไม่ต้องติดตั้ง · มีแผนใช้งานฟรี · เริ่มได้ในไม่กี่วินาที

มีสรุป AI พร้อมรายการที่ต้องดำเนินการ

รูปแบบการส่งออก SRT · VTT · XLSX · JSON · MP4

ตรวจพบภาษาอัตโนมัติ 99+ ภาษา

การประทับเวลาในระดับคำ

การตรวจจับผู้พูดอัตโนมัติ

รวดเร็ว พร้อมใช้งานในไม่กี่นาที

การจัดการผู้พูด: เพิ่ม เปลี่ยนชื่อ ลบ

รวดเร็ว · ปลอดภัย · แม่นยำ

คุณสมบัติหลัก

ถอดเสียง แก้ไข และส่งออกได้ในโปรเจกต์เดียว

สรุป AI พร้อมรายการงานที่ต้องดำเนินการ

ก้าวไปไกลกว่าการถอดเสียง สร้างสรุปแบบย่อโดยอัตโนมัติ คัดลอกได้ทันที สร้างใหม่เพื่อมุมมองใหม่ หรือ ดึงรายการสิ่งที่ต้องดำเนินการจากการประชุมและการสัมภาษณ์

ดาวน์โหลดวิดีโอที่ฝังคำบรรยาย

ดาวน์โหลดไฟล์ MP4 ที่พร้อมแชร์ได้ทันที พร้อมคำบรรยายที่ฝังถาวรอยู่ภายใน ไม่ต้องมีไฟล์คำบรรยายแยกต่างหากหรือโปรแกรมตัดต่อวิดีโอ อัปโหลด ถอดเสียง และดาวน์โหลดวิดีโอที่มีคำบรรยายได้เลย

การตรวจจับภาษาอัตโนมัติ: 99+ ภาษา

อัปโหลดไฟล์เสียงหรือวิดีโอใดก็ได้ Perso AI ตรวจจับภาษาที่พูดโดยอัตโนมัติจากภาษาที่รองรับมากกว่า 99 ภาษา ไม่จำเป็นต้องเลือกด้วยตนเอง

การแก้ไขสคริปต์และคำบรรยาย

แก้ไขบรรทัดที่ถอดเสียงได้โดยตรงในเว็บเอดิเตอร์ แก้คำที่ระบบรู้จำผิด ปรับเครื่องหมายวรรคตอน และ ซิงค์การเปลี่ยนแปลงไปยังทุกรูปแบบการส่งออกโดยอัตโนมัติ

การส่งออกได้หลายรูปแบบ + วิดีโอที่ฝังคำบรรยาย

แก้ไขบรรทัดที่ถอดเสียงใดก็ได้โดยตรงในตัวแก้ไขบนเว็บ แก้คำที่ถอดผิด ปรับเครื่องหมายวรรคตอนให้เหมาะสม และซิงค์การเปลี่ยนแปลงไปยังทุกรูปแบบการส่งออกโดยอัตโนมัติ

การจัดการผู้พูด: เพิ่ม เปลี่ยนชื่อ และลบ

ตรวจจับผู้พูดทุกคนโดยอัตโนมัติ แล้วควบคุมได้อย่างเต็มที่ เพิ่มผู้พูดใหม่ เปลี่ยนชื่อป้ายกำกับเป็นชื่อจริง หรือลบส่วนที่คุณไม่ต้องการ การเปลี่ยนแปลงทั้งหมดจะซิงค์ไปยังไฟล์ที่ส่งออก

เชื่อมต่อโดยตรงกับการพากย์เสียงและการแปล

เริ่มต้นตอนนี้

เหนือกว่าการถอดความ

มากกว่าการถอดเสียง

มากกว่าการถอดความ

Perso AI Speech to Text ไม่ได้หยุดแค่การแปลงเสียงเป็นข้อความ รับสรุปที่ขับเคลื่อนด้วย AI ดึงรายการสิ่งที่ต้องดำเนินการจากการประชุม และดาวน์โหลดวิดีโอที่ฝังคำบรรยายพร้อมแชร์ได้ เครื่องมือถอดเสียงเพียงหนึ่งเดียวที่รวมทั้งสามอย่างไว้ในอัปโหลดครั้งเดียว

Perso AI Speech to Text ไม่ได้หยุดอยู่แค่การแปลงเสียงเป็นข้อความ รับสรุปที่ขับเคลื่อนด้วย AI ดึงรายการสิ่งที่ต้องดำเนินการจากการประชุม และดาวน์โหลดวิดีโอที่ฝังคำบรรยายพร้อมแชร์ได้ทันที เครื่องมือถอดเสียงเพียงหนึ่งเดียวที่รวมทั้งสามอย่างไว้ในการอัปโหลดครั้งเดียว

Perso AI Speech to Text ไม่ได้หยุดอยู่แค่การแปลงเสียงเป็นข้อความ รับสรุปที่ขับเคลื่อนด้วย AI ดึงรายการสิ่งที่ต้องดำเนินการจากการประชุม และดาวน์โหลดวิดีโอที่ฝังซับไตเติลพร้อมแชร์ได้ทันที เครื่องมือถอดเสียงเพียงหนึ่งเดียวที่รวมทั้งสามอย่างไว้ในการอัปโหลดครั้งเดียว

📝

สรุปโดย AI

สรุปการบันทึกของคุณที่สร้างขึ้นโดยอัตโนมัติ คัดลอกผลลัพธ์ได้ทันทีหรือสร้างใหม่เพื่อมุมมองแบบสดใหม่ เปลี่ยนเนื้อหาหลายชั่วโมงให้เป็นสรุปสั้นๆ ได้อย่างรวดเร็ว

☑

รายการที่ต้องดำเนินการ

ดึงงานที่นำไปปฏิบัติได้จากการประชุมและการสัมภาษณ์โดยอัตโนมัติ ไม่ต้องจดบันทึกด้วยตนเอง และรับรายการขั้นตอนถัดไปที่มีโครงสร้าง

🎥

วิดีโอที่ฝังคำบรรยาย

ดาวน์โหลดไฟล์ MP4 ที่ฝังคำบรรยายไว้ถาวร แชร์บนโซเชียลมีเดีย ช่องทางภายใน หรือการนำเสนอได้โดยไม่ต้องมีไฟล์คำบรรยายแยกต่างหาก

กรณีการใช้งาน

คำบรรยาย, บันทึกการประชุม, สคริปต์การบรรยาย

เครื่องมือเดียวกัน แต่ให้ผลลัพธ์ต่างกันตามสิ่งที่คุณต้องการ

นักสร้างสรรค์เนื้อหา

เปลี่ยนวิดีโอบล็อก พอดแคสต์ และวิดีโอให้เป็นคำบรรยายที่พร้อมเผยแพร่ได้ในไม่กี่นาที อัปโหลด แก้ไข ส่งออก — ไม่ต้องถอดเสียงด้วยตนเอง

คำบรรยายอัตโนมัติสำหรับ YouTube, TikTok, Reels

แก้ไขคำบรรยายแบบอินไลน์ก่อนส่งออก

รองรับมากกว่า 99 ภาษา

ดาวน์โหลด MP4 ที่ฝังคำบรรยายพร้อมอัปโหลด

ส่งออก SRT · VTT · MP4

ทีมและธุรกิจ

แปลงบันทึกการประชุมให้เป็นโน้ตที่ค้นหาได้และระบุผู้พูดได้ ใช้งานได้กับแพลตฟอร์มการประชุมหรือเครื่องบันทึกเสียงใดๆ

สรุป AI พร้อมคัดลอกได้ด้วยคลิกเดียว

ดึงรายการที่ต้องดำเนินการจากการบันทึกการประชุม

เพิ่ม เปลี่ยนชื่อ หรือลบป้ายกำกับผู้พูด

การแยกผู้พูดอัตโนมัติ

บันทึกการประชุม Excel แบบมีโครงสร้าง

การประทับเวลาในระดับคำสำหรับการอ้างอิงคำพูด

ส่งออก XLSX · JSON · MP4

ส่งออก XLSX

ครู

ถอดเสียงการบรรยายและเนื้อหาหลักสูตรด้วยความแม่นยำสูง สร้างคำบรรยายเพื่อการเข้าถึง หรือสคริปต์ที่พร้อมสำหรับการเรียน

สรุปด้วย AI สำหรับสรุปย่อการบรรยายอย่างรวดเร็ว

วิดีโอที่ฝังคำบรรยายเพื่อการเข้าถึง

ความแม่นยำของการบรรยายแบบยาว

การสร้างคำบรรยายสำหรับ LMS

รองรับหลายภาษาสำหรับนักศึกษาทั่วโลก

รองรับการเข้าถึง

ผู้ผลิตวิดีโอ

เริ่มต้นด้วยการถอดเสียง จากนั้นไปต่อด้วยการพากย์หรือการแปลโดยไม่ต้องอัปโหลดซ้ำ อัปโหลดเพียงครั้งเดียวครอบคลุมกระบวนการโลคัลไลเซชันทั้งหมด

ถอดเสียง แก้ไข และส่งออกได้ในขั้นตอนเดียว

ดาวน์โหลด MP4 พร้อมคำบรรยายฝังในวิดีโอ

เชื่อมต่อกับการพากย์เสียงและการแปลด้วย AI

รวมการแยกเสียง

การทำให้เป็นภาษาท้องถิ่นเต็มรูปแบบ

เริ่มต้นตอนนี้

อัปโหลดครั้งเดียว ส่งออกได้หลายรูปแบบ

คำบรรยาย, สคริปต์ หรือข้อมูลดิบพร้อมประทับเวลา เลือกฟอร์แมตที่คุณต้องการ

เอสอาร์ที

คำบรรยาย SRT

รูปแบบคำบรรยายมาตรฐานอุตสาหกรรม พร้อมใช้งานกับ YouTube, Vimeo และแพลตฟอร์มวิดีโอหลักทั้งหมด

VTT

WebVTT

รูปแบบคำบรรยายที่ออกแบบมาสำหรับเว็บโดยเฉพาะ พร้อมรองรับการจัดสไตล์ ใช้งานได้กับโปรแกรมเล่นวิดีโอ HTML5 และการฝังลงบนเว็บ

XLS

สคริปต์ Excel

ถอดความฉบับเต็มพร้อมป้ายกำกับผู้พูดในรูปแบบสเปรดชีต ใช้สำหรับบันทึกการประชุม เอกสารประกอบ หรือการจัดเก็บถาวร

{ }

ข้อมูล JSON

ข้อมูลที่มีโครงสร้างพร้อมการประทับเวลาในระดับคำ, รหัสผู้พูด, และคะแนนความเชื่อมั่น มีประโยชน์สำหรับการผสานรวมกับ API หรือเวิร์กโฟลว์แบบกำหนดเอง

MP4

MP4 ที่ฝังคำบรรยาย

วิดีโอที่ฝังคำบรรยายลงไปอย่างถาวร พร้อมแชร์ได้ทันทีโดยไม่ต้องมีไฟล์คำบรรยายแยกต่างหาก.

ทำไมถึงเลือกเรา

Perso AI เทียบกับการถอดเสียงด้วยตนเอง

เวลา ต้นทุน และคุณภาพของผลลัพธ์ เปรียบเทียบกันแบบเคียงข้างกัน

สิ่งที่สำคัญ

Perso AI ถอดเสียงเป็นข้อความ

การถอดเสียงด้วยตนเอง

ความเร็วในการดำเนินการ

~2 นาทีสำหรับเสียง 1 ชั่วโมง · ผลลัพธ์พร้อมภายในไม่กี่นาที ไม่ใช่หลายชั่วโมง

ใช้เวลาทำงาน 3–6 ชั่วโมงต่อเสียง 1 ชั่วโมง · ต้องจองล่วงหน้า

การรองรับภาษา

มากกว่า 99 ภาษา · ตรวจจับอัตโนมัติ · ความแม่นยำระดับเจ้าของภาษา

จำกัดเฉพาะภาษาที่เป็นภาษาแม่ของผู้ถอดความ · ไฟล์ที่มีหลายภาษาต้องใช้หลายคน

การแยกผู้พูด

ตรวจจับผู้พูดทุกคนโดยอัตโนมัติ · กำหนดส่วนใดก็ได้ใหม่ให้เป็นผู้พูดที่ตรวจพบคนอื่น · การเปลี่ยนแปลงจะแสดงในคำบรรยายที่ส่งออก

การแท็กด้วยตนเองในแต่ละช่วง · ไม่สม่ำเสมอในการบันทึกเสียงยาว · ต้องแท็กใหม่หากสับสนว่าใครเป็นผู้พูด

การแก้ไขบทสนทนาและการซิงค์

แก้ไขบทสนทนาที่ถอดเสียงได้แบบอินไลน์ · การแก้ไขจะซิงก์โดยอัตโนมัติกับการส่งออก SRT · VTT · XLSX · JSON

แก้ไขบทถอดเสียงเป็นข้อความธรรมดา · จัดเวลาคำบรรยายใหม่ และส่งออกใหม่แยกกันทุกครั้งที่มีการเปลี่ยนแปลง

การประทับเวลา

ความแม่นยำระดับคำ · ความถูกต้องระดับมิลลิวินาที · ฝังอยู่ในทุกรูปแบบการส่งออก

การจัดแนวเซกเมนต์ด้วยตนเอง · มีแนวโน้มจะคลาดเคลื่อนเมื่อบันทึกยาวๆ

ส่งออกคำบรรยาย

ส่งออกได้ในคลิกเดียวเป็น SRT · VTT · XLSX · JSON — พร้อมใช้งานสำหรับ YouTube, DaVinci, Premiere หรือไปป์ไลน์ LLM ใดก็ได้

ต้องใช้เครื่องมือใส่คำบรรยายแยกต่างหาก · ต้องเพิ่มเวลาใหม่ด้วยตนเอง

ความแม่นยำ

ความแม่นยำของ AI มากกว่า 95% · ปรับแต่งได้ในตัวแก้ไขในตัวพร้อมการควบคุมระดับคำ

แตกต่างกันที่ 85–98% ขึ้นอยู่กับผู้ถอดความแต่ละคนและคุณภาพเสียง

การจัดการผู้พูด

เพิ่ม เปลี่ยนชื่อ หรือลบผู้พูดได้โดยตรงในตัวแก้ไข การเปลี่ยนแปลงจะซิงค์ไปยังรูปแบบการส่งออกทั้งหมดโดยอัตโนมัติ

เพิ่ม เปลี่ยนชื่อ หรือลบผู้พูดได้โดยตรงในตัวแก้ไข การเปลี่ยนแปลงจะซิงก์ไปยังรูปแบบการส่งออกทั้งหมดโดยอัตโนมัติ

เพิ่ม เปลี่ยนชื่อ หรือลบผู้พูดได้โดยตรงในตัวแก้ไข การเปลี่ยนแปลงจะซิงค์ไปยังทุกรูปแบบการส่งออกโดยอัตโนมัติ

การติดแท็กผู้พูดด้วยตนเองในแต่ละเซกเมนต์ ต้องติดแท็กใหม่หากผู้พูดเปลี่ยนไป

การแท็กผู้พูดด้วยตนเองสำหรับแต่ละช่วง ต้องแท็กใหม่หากผู้พูดเปลี่ยนไป

การติดแท็กผู้พูดด้วยตนเองในแต่ละเซกเมนต์ ต้องติดแท็กใหม่หากผู้พูดเปลี่ยน

สรุปด้วย AI และรายการที่ต้องดำเนินการ

สรุป AI และรายการการดำเนินการ

สรุป AI และรายการดำเนินการ

สรุปอัตโนมัติพร้อมฟังก์ชันคัดลอก สร้างใหม่ และแยกรายการสิ่งที่ต้องดำเนินการ การบันทึก 1 ชั่วโมงสรุปได้ภายในไม่กี่วินาที

สรุปอัตโนมัติพร้อมฟังก์ชันคัดลอก สร้างใหม่ และดึงรายการงานที่ต้องทำ บันทึก 1 ชั่วโมง สรุปได้ในไม่กี่วินาที

สรุปอัตโนมัติพร้อมการคัดลอก การสร้างใหม่ และการดึงรายการสิ่งที่ต้องดำเนินการ การบันทึกยาว 1 ชั่วโมงสรุปได้ภายในไม่กี่วินาที

เขียนบันทึกการประชุมด้วยตนเองหลังจากฟังเสร็จ รายการงานที่ต้องดำเนินการถูกติดตามในเครื่องมืออื่น

จดบันทึกการประชุมด้วยตนเองหลังจากฟังการประชุม รายการที่ต้องดำเนินการจะถูกติดตามในเครื่องมือแยกต่างหาก

เขียนบันทึกการประชุมด้วยตนเองหลังจากฟังการประชุมเสร็จแล้ว รายการสิ่งที่ต้องดำเนินการถูกติดตามในเครื่องมืออื่น

เริ่มต้นตอนนี้

`Perso AI แปลงเสียงเป็นข้อความทำงานอย่างไร?`

ถอดเสียงและแปลวิดีโอของคุณได้ใน 3 ขั้นตอนง่าย ๆ

อัปโหลดไฟล์วิดีโอหรือไฟล์เสียงใดก็ได้ Perso AI จะแยกผู้พูดโดยอัตโนมัติ ถอดเสียงได้มากกว่า 99 ภาษา สร้างบทสรุปด้วย AI และส่งออกเป็น SRT, VTT, XLSX, JSON หรือ MP4 ที่ฝังคำบรรยายไว้ เพียงเท่านี้

อัปโหลดไฟล์วิดีโอหรือไฟล์เสียงใดๆ ก็ได้ Perso AI จะแยกผู้พูดโดยอัตโนมัติ ถอดเสียงได้มากกว่า 99 ภาษา สร้างสรุปด้วย AI และส่งออกเป็น SRT, VTT, XLSX, JSON หรือ MP4 ที่ฝังคำบรรยายไว้ เท่านี้เอง

อัปโหลดไฟล์วิดีโอหรือไฟล์เสียงใดก็ได้ Perso AI แยกผู้พูดโดยอัตโนมัติ ถอดเสียงได้มากกว่า 99 ภาษา สร้างสรุปด้วย AI และส่งออกเป็น SRT, VTT, XLSX, JSON หรือ MP4 ที่ฝังคำบรรยายไว้ เพียงเท่านี้