Transcribe Persian Audio or Video to Text
Upload any Persian recording — OpenAI Whisper detects the language automatically and returns an accurate transcript in seconds.
Drag a file here or browse
MP3, WAV, M4A, FLAC · MP4, MOV, MKV, WebM · up to 2 GB
Set language, translation, or vocabulary hints below before transcribing
YouTube, Dropbox, Google Drive, or any direct MP3/MP4 link
Transcription model
Transcript style
Removes fillers and false starts for readable text
Names, acronyms, or domain terms that improve accuracy
MP3, WAV, M4A, FLAC · MP4, MOV, MKV · up to 2 GB · 10 minutes free every day
About Persian transcription
Persian sits within the Iranian branch of the Indo-European family, which gives it a relatively regular phonological structure compared to many of its geographic neighbors. That regularity helps: spoken Farsi has consistent consonant-vowel patterns and no lexical tone, so a speech recognition system doesn't have to resolve pitch ambiguity the way it would for a tonal language. The Persian alphabet, a variant of Arabic script, omits short vowels in standard writing, but that's a challenge for text rendering rather than for audio-to-text conversion, where the acoustic signal carries the vowel information directly. The upshot is that standard spoken Iranian Farsi transcribes with high accuracy. The one area worth knowing about is the gap between Iranian Farsi and Afghan Dari. They share virtually all their grammar, but vocabulary and pronunciation diverge enough that a system trained narrowly on Tehran speech would stumble on Kabul speech. Convert.express covers both varieties, so researchers, journalists, and legal teams working with Dari recordings don't need a separate workflow.
OpenAI Whisper, MAI-Transcribe 2 and Gemini 3.5 Transcribe all support Persian, detected automatically from the audio — no manual language selection is needed. Upload any Persian recording up to 2 GB — MP3, WAV, M4A, FLAC, MP4, MOV, and most common audio and video formats are accepted. Every account includes 10 free minutes of transcription per day; longer files are billed at €0.02 per minute with a €0.50 minimum per transaction. Transcripts download as plain text and are automatically deleted within 24 hours of upload.
Available transcription models
10 min
Free every day
€0.02
Per minute beyond quota
< 1 min
Typical turnaround
Tips for the best results
- Use a quiet environment — background noise is the biggest source of transcription errors.
- Speak at a natural pace; extremely fast speech reduces accuracy in any language.
- MP3 or M4A files work great; uncompressed WAV is ideal for professional recordings.
- Files up to 2 GB are supported — long recordings are automatically split and merged.
Frequently asked questions
- How accurate is AI transcription for Persian?
- Accuracy for Persian is high on convert.express, and the linguistic profile explains why. Iranian Farsi has no lexical tone and a regular sound system, which removes two common sources of transcription error. The Persian alphabet's omission of short vowels is a writing convention that doesn't affect audio processing. The bigger variable is dialect: Iranian Farsi and Afghan Dari diverge in vocabulary and pronunciation despite sharing the same grammar, and the service covers both, so you can expect consistent results whether your audio comes from Tehran or Kabul.
- How long does Persian transcription take?
- Most Persian recordings are ready in under a minute. Processing time scales with file length — a 10-minute recording typically returns results in 20–40 seconds, and a one-hour recording in around 4–6 minutes. Longer files are automatically split, transcribed in parallel, and merged, so you never need to cut your audio before uploading.
- Can I translate Persian audio to English or other languages?
- Yes, two ways. For a quick English-only result, enable "Translate to English" in the upload options above — OpenAI Whisper transcribes and translates Persian audio to English text in a single pass, at no extra cost. For any other target language, first transcribe normally, then use the Translate action on the finished transcript in your dashboard — it's powered by Claude AI and can translate the Persian transcript (or its summary and action list) into any of convert.express's other supported languages, not just English.
- Which transcription model should I use for Persian?
- OpenAI Whisper, MAI-Transcribe 2 and Gemini 3.5 Transcribe all support Persian. OpenAI Whisper is the established choice, with broad language coverage and single-pass translation to English. MAI-Transcribe 2 is in preview, with whole-file speaker labeling, word-level timestamps, and entity biasing for proper names and terminology. Gemini 3.5 Transcribe is in preview, has the widest language coverage, and labels speakers in-model. Try them on a short clip to see which output suits your recording.
- What audio and video formats are supported?
- MP3, WAV, M4A, FLAC, OGG, Opus, MP4, MOV, MKV, and most other common audio and video formats are accepted. Files up to 2 GB can be uploaded. The language is detected automatically from the audio — no manual language selection is needed.
فارسی · convert.express
فارسی شاخهای از خانوادهٔ زبانهای هندواروپایی است و ساختار آوایی نسبتاً منظمی دارد؛ این نظم به دقت تشخیص گفتار کمک میکند. فارسی گفتاری الگوهای صامت-مصوت یکسانی دارد و زبانی تُنال نیست، پس سیستم تشخیص گفتار نیازی به تفسیر تفاوتهای زیروبمی ندارد. الفبای فارسی، که نسخهای از خط عربی است، مصوتهای کوتاه را در نوشتار معیار حذف میکند؛ این ویژگی برای بازنمایی متن چالشی ایجاد میکند، اما در تبدیل صوت به متن اهمیتی ندارد، چون سیگنال صوتی مستقیماً اطلاعات مصوتها را منتقل میکند. نتیجه این است که فارسی ایرانی معیار با دقت بالایی رونویسی میشود. نکتهای که ارزش دانستن دارد تفاوت میان فارسی ایرانی و دری افغانستانی است. این دو گونه دستور زبانی یکسانی دارند، اما واژگان و تلفظشان آنقدر متفاوت است که یک سیستم آموزشدیده صرفاً بر پایهٔ گفتار تهرانی با گفتار کابلی دچار مشکل خواهد شد. convert.express هر دو گونه را پوشش میدهد، بنابراین محققان، روزنامهنگاران و تیمهای حقوقی که با ضبطهای دری کار میکنند نیازی به فرآیند جداگانهای ندارند. OpenAI Whisper، MAI-Transcribe 2 و Gemini 3.5 Transcribe همگی از زبان فارسی پشتیبانی میکنند و زبان بهطور خودکار از روی صدا تشخیص داده میشود، بدون نیاز به انتخاب دستی. میتوانید هر فایل صوتی فارسی تا حجم 2 GB بارگذاری کنید؛ فرمتهای MP3، WAV، M4A، FLAC، MP4، MOV و اکثر فرمتهای رایج صوتی و تصویری پذیرفته میشوند. هر حساب کاربری روزانه 10 دقیقه رونویسی رایگان دارد و فایلهای طولانیتر با نرخ €0.02 در دقیقه و حداقل €0.50 به ازای هر تراکنش محاسبه میشوند. متن رونویسیشده بهصورت فایل متنی ساده قابل دانلود است و ظرف 24 ساعت پس از بارگذاری بهطور خودکار حذف میشود.
- دقت رونویسی هوش مصنوعی برای زبان فارسی چقدر است؟
- دقت رونویسی فارسی در convert.express بالاست و دلایل زبانشناختی روشنی دارد. فارسی ایرانی زبانی تُنال نیست و ساختار آوایی منظمی دارد؛ این دو ویژگی دو منبع رایج خطا در رونویسی را از میان برمیدارند. حذف مصوتهای کوتاه در الفبای فارسی یک قرارداد نوشتاری است و تأثیری بر پردازش صوت ندارد. متغیر اصلی لهجه است: فارسی ایرانی و دری افغانستانی با وجود دستور زبان مشترک، در واژگان و تلفظ تفاوت دارند، و این سرویس هر دو را پوشش میدهد؛ بنابراین چه صدا از تهران باشد چه از کابل، میتوانید انتظار نتایج یکسانی داشته باشید.
- رونویسی فارسی چقدر طول میکشد؟
- بیشتر فایلهای فارسی در کمتر از یک دقیقه آماده میشوند. زمان پردازش با طول فایل رابطه مستقیم دارد؛ یک فایل 10 دقیقهای معمولاً در 20 تا 40 ثانیه و یک فایل یکساعته در حدود 4 تا 6 دقیقه نتیجه میدهد. فایلهای طولانیتر بهصورت خودکار تقسیم، بهصورت موازی رونویسی و سپس ادغام میشوند، پس نیازی نیست پیش از بارگذاری فایل صوتی خود را برش بزنید.
- آیا میتوانم صدای فارسی را به انگلیسی یا زبانهای دیگر ترجمه کنم؟
- بله، به دو روش. اگر میخواهید نتیجه را فقط به انگلیسی دریافت کنید، گزینهٔ Translate to English را در تنظیمات بارگذاری فعال کنید؛ OpenAI Whisper صدای فارسی را در یک مرحله رونویسی و به متن انگلیسی ترجمه میکند، بدون هیچ هزینهٔ اضافی. برای ترجمه به هر زبان دیگری، ابتدا فایل را بهشکل معمول رونویسی کنید، سپس از گزینهٔ Translate در داشبورد روی متن نهایی استفاده کنید؛ این قابلیت با Claude AI کار میکند و میتواند متن فارسی، یا خلاصه و فهرست اقدامات آن را به هر زبانی که convert.express پشتیبانی میکند ترجمه کند، نه فقط انگلیسی.
- برای رونویسی فارسی از کدام مدل استفاده کنم؟
- OpenAI Whisper، MAI-Transcribe 2 و Gemini 3.5 Transcribe همگی از فارسی پشتیبانی میکنند. OpenAI Whisper گزینهٔ آزمودهشده است، با پوشش گستردهٔ زبانی و قابلیت ترجمهٔ مستقیم به انگلیسی. MAI-Transcribe 2 در مرحلهٔ پیشنمایش است و برچسبگذاری گوینده، زمانبندی در سطح کلمه و تنظیم بر اساس اسامی خاص و اصطلاحات تخصصی را دارد. Gemini 3.5 Transcribe نیز در مرحلهٔ پیشنمایش است، گستردهترین پوشش زبانی را دارد و برچسبگذاری گوینده را در خود مدل انجام میدهد. برای انتخاب بهترین گزینه، هر سه را روی یک کلیپ کوتاه امتحان کنید تا ببینید کدام خروجی با ضبط شما سازگارتر است.
- چه فرمتهای صوتی و تصویری پشتیبانی میشوند؟
- فرمتهای MP3، WAV، M4A، FLAC، OGG، Opus، MP4، MOV، MKV و اکثر فرمتهای رایج صوتی و تصویری دیگر پذیرفته میشوند. فایلهایی تا حجم 2 GB قابل بارگذاری هستند. زبان بهطور خودکار از روی صدا تشخیص داده میشود و نیازی به انتخاب دستی نیست.