多語者語音辨識採用 OpenAI 雲端的 gpt-4o-transcribe-diarize 模型，是 gpt-4o-transcribe 系列的多語者（diarization）版本，會在轉錄結果中自動分辨並標註不同說話者，例如 SPEAKER_01、SPEAKER_02，方便整理會議紀錄、訪談逐字稿或客服通話內容。使用方式很簡單，直接上傳音訊或影片檔即可，系統會自動把音檔每 30 分鐘切一段送進雲端辨識，同一段內的說話者標籤保持一致，辨識過程中逐字稿會以串流方式分段顯示，完成後合併成完整的純文字逐字稿；超過 30 分鐘的長音檔會跨多段處理，輸出會在切割處註明「切割處，前後語者可能不一致」，重要錄音建議以 30 分鐘為單位分段上傳。沿用 gpt-4o-transcribe 對嘈雜環境、多語言切換、專有名詞與口音的優異表現，句構與標點也保留得相當完整。支援 mp3、wav、m4a、ogg、mp4、mov、webm 等常見格式，無需事前轉檔。本模組不支援 SRT 字幕輸出；若音檔只有單人主講，或需要 SRT 字幕，建議改用「語音辨識」。 上傳檔案大小上限為 256MB。