Start free

บันทึก Focus Group ที่มีป้ายชื่อผู้พูดทุกคำพูด

ลากไฟล์ Focus Group recording ที่มี 6 8 หรือแม้แต่ 10 เสียง รับส่วนถอดเสียงตัวเต็มโดยที่สมาชิกแต่ละคนได้รับป้ายกำกับ การพูดพร้อมกันได้รับการติดป้าย และ DOCX ที่โหลด输直接เข้า NVivo

Drop a file, or pick one

MP3 · WAV · M4A · MP4 · MOV · MKV · OGG · OPUS · FLAC · WEBM — up to 100 MB anonymously

Paste a link, we’ll fetch the audio

YouTube · TikTok · Vimeo · Twitter · SoundCloud · Spotify · 50+ more

Record straight from your browser

Sign up takes 30 seconds — recording opens right after, in the dashboard.

No card required~90s per 60-min fileSRT · VTT · DOCX · TXTFiles auto-deleted in 24h

↓ ดูว่าผลลัพธ์เป็นอะไร

ผู้เข้าร่วม 8 คนเข้าสู่ระบบ ผลลัพธ์เป็นข้อความตัวเต็มที่มีป้ายกำกับ

Focus group เป็นกรณี diarization ที่ยากที่สุดในคิวของเรา — ประชากรคล้ายกัน เสียงคล้ายกัน การพูดพร้อมกัน บ่อยครั้ง เราติดป้ายการพูดพร้อมกันให้อยู่ในบรรทัดแทนที่จะลบออก จากนั้นคุณสามารถเปลี่ยนชื่อ Speaker 3 → 'Participant_F2' ครั้งเดียวและมันจะแพร่กระจายไปทั่ว

Focus group recordingREC Moderator + ผู้เข้าร่วม 7 คน · 1:23:14
auto-detected en-US44 kHz boundary mic · WAV
~90s
Transcript · streamingความแม่นยำ 91% · ผู้พูด 8 คน
S1

เมื่อคุณเปิดแพคเกจครั้งแรก — อธิบายให้ฉันทราบว่าคุณสังเกตเห็นอะไร

S2

พูดตามตรง สิ่งแรกคือกลิ่น เหมือนโรงพยาบาล แบบคลินิก —

S3

ใช่ เหมือนกัน ฉันคิดว่ามันควรจะเป็นลาเวนเด���ร์

S2

ใช่ และป้ายกำกับว่าลาเวนเดอร์ แต่มันจริง ๆ แล้ว —

ความแม่นยำ 91% ในห้อง 8 คนพูดโดยใช้ room micDOCX (QDA-ready) · SRT · TXT · JSON

↓ This is the dashboard

This is what loads when the job finishes.

Same layout as the real dashboard — Summary, full Transcript, Speakers tab, Exports. Key points and action items extracted automatically. Auto-tags on every job.

Try it on your own file — it's free

ตัวเลือกจริง 3 แบบ · การเปรียบเทียบที่ตรงไปตรงมา

Rev human ปัญญาประดิษฐ์ทั่วไป หรือเรา

นักวิจัยมักจะเลือกระหว่างการจ่ายเงินให้ผู้บันทึกเสียงเป็นมนุษย์ (ช้า แม่นยำ แพง) หรือเรียกใช้ไฟล์ผ่านเครื่องมือปัญญาประดิษฐ์ทั่วไปที่ไม่ได้สร้างสำหรับห้อง 8 เสียง เราอยู่ระหว่างนั้น — ความเร็วปัญญาประดิษฐ์ diarization ที่ปรับแต่งสำหรับการบันทึกวิจัย และ DOCX ที่ปล่อยเข้า NVivo โดยไม่ต้องแก้ไข

Option 01

Rev human verbatim

มนุษย์พิมพ์ ความแม่นยำสูง แต่การสlokeรอบ 24 ชั่วโมง และราคาจะเพิ่มขึ้นตามเวลา

Accuracy~99% (human)
Turnaround12–24 hours typical
Cross-talkMarked [crosstalk]
QDA exportDOCX, manual cleanup
Cost · per min$1.50 verbatim
90-min group~$135
Best forงานวิทยานิพนธ์หรือการวิจัยที่มีระเบียบข้อบังคับที่จำเป็นต้องตรวจสอบการใช้คำที่ไม่เป็นทางการแต่ละครั้งโดยมนุษย์
Option 02

Transcription.Solutions

Diarization ที่ปรับแต่งสำหรับเสียง 6-10 เสียง การพูดพร้อมกันติดป้ายในบรรทัด DOCX export ขนาดสำหรับ NVivo ATLAS.ti และ Dedoose

Accuracy88–94% on group audio
Turnaround~1× realtime
Cross-talkTagged, not dropped
QDA exportDOCX with speaker turns
Cost · per min$0.03
90-min group~$2.70
Best forนักวิจัยที่ทำ group หลายกลุ่มที่ต้องการ transcript ครั้งแรกใน NVivo ตั้งแต่วันพรุ่งนี้เช้า ไม่ใช่สัปดาห์หน้า
Option 03

Otter / Sonix

ปัญญาประดิษฐ์ทั่วไปที่สร้างขึ้นสำหรับการประชุม เหมาะสมกับ 2-3 ผู้พูด แตกลายสำหรับผู้พูด 5 คนขึ้นไป — และ export ไม่คาดการณ์ซอฟต์แวร์ QDA

AccuracyDrops past 5 speakers
TurnaroundFast
Cross-talkOften dropped
QDA exportNo native NVivo format
Speaker capSoft limit ~6
Cost$17–22/user/mo
Best forการสัมภาษณ์ขนาดเล็กและ 1-on-1 โดยที่การบันทึกมี 2-3 เสียงและอยู่ใน calendar workflow

Pricing accurate as of May 2026. Accuracy ranges come from our internal sample of customer focus group files, not synthetic benchmarks.

Specific to focus groups

สิ่งสามอย่างที่กัดนักวิจัยใน เครื่องมือปัญญาประดิษฐ์ทั่วไป

พลิก setting ที่ถูกต้องตั้งแต่เริ่มต้น และ transcript จะปล่อยเข้า NVivo โดยไม่ต้องทำความสะอาด weekend

สิ่งที่ผิดพลาด

  1. 1Cross-talk ถูกหลุดลอย เครื่องมือสินค้าส่วนใหญ่เลือกผู้พูดหนึ่งคนระหว่างการทับซ้อนและปฏิเสธส่วนที่เหลือ คุณสูญเสียช่วงเวลาที่ consensus หรือ pushback เกิดขึ้น
  2. 2ผู้พูดยุบตัวเป็น 3 เครื่องมือสันนิษฐานห้องขนาดการประชุมและ cap diarization clusters ต่ำ ผู้เข้าร่วม 8 คนของคุณกลับมาเป็น 'Speaker 1' / 'Speaker 2' / 'Speaker 3'
  3. 3Export เป็นกำแพงข้อความแบบหนึ่ง ไม่มีการแบ่งย่อหน้าต่อ speaker turn ไม่มี DOCX structure ที่ NVivo สามารถ auto-code ได้ในระหว่าง import

สิ่งที่พลิกตรงนี้

  1. 1เปิดใช้งาน Tag overlapping speech ในแบบฟอร์มงาน Cross-talk รับ inline `[overlap]` markers และผู้พูดทั้งคู่ยังคงเก็บ utterances ของพวกเขา
  2. 2ตั้ง Expected speakers: 8-12 อย่างชัดเจน เราปรับขนาด diarization cluster count ให้ตรงกันแทนการเดา
  3. 3เลือก DOCX (QDA-ready) export Speaker turns กลายเป็นย่อหน้าที่มีคำนำหน้าด้วยป้ายกำกับ — NVivo ATLAS.ti และ Dedoose ทั้งหมด auto-detect รูปแบบนี้บน import

Recommended job settings for focus groups

ลาก focus group file ด้วยแม่แบบ 'research' และสิ่งเหล่านี้จะปิดโดยค่าเริ่มต้น ยกเว้น per-job จากแบบฟอร์ม

Diarization
Acoustic · expected 6-10 speakers
Verbatim mode
Full — disfluencies kept
Overlap handling
Tag inline [overlap]
Custom vocabulary
Product / brand names from screener
Speaker labels
Editable post-job, propagate-all
Export
DOCX (QDA-ready) · timestamped TXT

Accuracy · real-world numbers

ความแม่นยำ 94% บน lavalier ต่อผู้เข้าร่วม คงอยู่ที่ 82% บน single room mic

ความแม่นยำของ Focus group ถูกจำกัดโดย microphone topology ไม่ใช่โมเดล lavalier บนผู้เข้าร่วมแต่ละคนให้เราใช้ช่องต่อเสียงที่ชัดจนต่อผู้พูด — diarization กลายเป็นเรื่องเล็กน้อย boundary mic แบบเดียวบนโต๊ะประชุมที่มี 8 เสียงเป็นกรณีที่ยากแข็ง ตัวเลขด้านล่างมาจากการบันทึกวิจัยจริงในไปป์ไลน์ของเรา

94%
Lavalier per participant

ผู้เข้าร่วมแต่ละคนบนเพลงของตนเอง ผสมกับ multitrack WAV Diarization ข้ามไป — ข้อผิดพลาดเฉพาะข้อความ กรณีที่ดีที่สุดสำหรับงานระดับวิทยานิพนธ์

91%
Conference mic, 4-6 participants

Boundary mic อยู่ตรงกลางโต๊ะ การรักษา room ปานกลาง เสียงแตกต่างกัน ความสับสนเป็นครั้งคราวระหว่างผู้เข้าร่วมเพศเดียวกันที่มีอายุคล้ายกัน

86%
Single room mic, 7-10 participants

การพูดพร้อมกันบ่อยครั้ง เสียงคล้ายกันผสมผสานภายใต้ acoustic diarization คาดหวังเวลา 10 นาทีแล้วยุติและผสานผ่านสปีกเกอร์ชิปก่อนการวิเคราะห์

82%
Remote group on mono Zoom

ส่วนผสม mono บีบอัด ไม่มี per-channel split พร้อม คำยังใช้ได้สำหรับการเข้ารหัสแบบ thematic แต่คำเรียกเต็มที่อยู่ในระดับการไม่พูดไหล่ความสัมพันธ์ที่ตำแหน่งนี้

คำถามทั่วไป

สิ่ง 8 อย่างที่ผู้คนถาม เกี่ยวกับบันทึก Focus Group

01ฉันสามารถเปลี่ยนชื่อ Speaker 1 เป็นชื่อจริงของผู้เข้าร่วมหรือ ID ได้หรือไม่+
ใช่ คลิก speaker chip ใด ๆ ในตัวแก้ไข พิมพ์ชื่อหรือ screener ID (เช่น 'P04_F_34') และมันจะแพร่กระจายไปยังทุก turn จากผู้พูดนั้นในส่วนถอดเสียง DOCX export ใช้ป้ายกำกับที่เปลี่ยนชื่อ
02คุณจัดการกับการพูดพร้อมกันและการพูดที่ทับซ้อนได้อย่างไร+
เราติดป้ายมันแบบ inline ด้วยเครื่องหมาย `[overlap]` และเก็บ utterances ของผู้พูดทั้งคู่ไว้ในส่วนถอดเสียง เครื่องมือทั่วไปมักจะเลือกเสียงเดียวและลบอีกเสียง — เราไม่ได้ เพราะช่วงเวลาการทับซ้อนมักเป็นที่ที่พลวัตของ focus group ที่แท้จริงนั้นอยู่
03DOCX จริง ๆ import ได้สะอาดเข้า NVivo และ ATLAS.ti หรือไม่+
ใช่ เราส่งออกด้วยป้ายกำกับผู้พูดเป็น paragraph-style headings ซึ่ง NVivo auto-code ระหว่าง import และ ATLAS.ti รับรู้เป็น speaker turns Dedoose ยอมรับ DOCX เดียวกันผ่าน transcript import path ของมัน
04คุณสามารถ diarize ได้กี่ผู้พูดในไฟล์เดียว+
เพดานอ่อนประมาณ 12 ผ่านไปจากนั้น acoustic clustering เริ่มผสานเสียงคล้ายกัน — ซึ่งมักจะหมายถึง pass 10-15 นาที rename ของคุณ ตั้ง 'Expected speakers' อย่างชัดเจนในแบบฟอร์มงานเพื่อผลลัพธ์ที่ดีที่สุด
05Verbatim หรือ cleaned-up — ฉันเลือกได้หรือไม่+
ทั้งสองอย่าง Verbatim mode เก็บขนึกอักเสบ 'um' false start และคำซ้ำต่อการวิเคราะห์บทสนทนา Cleaned ลบ disfluencies สำหรับความสามารถในการอ่าน คุณเลือก per-job; ค่าเริ่มต้นสำหรับแม่แบบการวิจัยคือ verbatim
06จะเป็นอย่างไรกับข้อกำหนด IRB และความเป็นส่วนตัวของผู้เข้าร่วม+
ไฟล์ถูกประมวลผลในโครงสร้างพื้นฐานของเรา ไม่ส่งไปยัง third-party APIs เราเสนอ per-job auto-delete-after-N-days flag สำหรับโปรโตคอล IRB เรา SOC 2 Type II และ GDPR-compliant; DPA อยู่ในหน้ากฎหมายถ้า IRB ของคุณต้องการ
07ฉันควรบันทึกวิดีโอหรือเฉพาะเสียงหรือไม่+
เฉพาะเสียงคือดี — เราไม่ใช้วิดีโอสำหรับ diarization ถ้าคุณมีวิดีโอเพื่อระบุผู้เข้าร่วม เก็บไว้ในท้องถิ่นสำหรับการเข้ารหัส; การอัปโหลด audio track เท่านั้นเร็วกว่าและถูกกว่า
08ต้นทุนเปรียบเทียบกับ Rev human verbatim อย่างไร+
Focus group 90 นาที cost ประมาณ $2.70 ที่นี่เทียบกับประมาณ $135 บน Rev verbatim Trade-off คือความแม่นยำ: เราลง 86-94% ขึ้นอยู่กับ setup ของ mic Transcriber มนุษย์ Rev โดนที่ ~99% นักวิจัยส่วนใหญ่ใช้เราสำหรับ pass แรกและยกระดับ specific groups ถึง human หากจำเป็นเท่านั้น

ลากไฟล์ Focus Group recording ดู transcript ใน NVivo พรุ่งนี้

ฟรี 30 นาทีทุกเดือน ไม่มีบัตร ป้ายกำกับผู้พูด cross-talk tagging QDA-ready DOCX export รวมอยู่ในทุกแผน

Start free