ElevenLabs: Scribe v2

ElevenLabs Scribe v2 přepisuje nahrané audio ve více než 90 jazycích, s časovými údaji na úrovni slov, volitelnou diarizací mluvčích a značkami neřečových událostí. Je určen pro dlouhé nahrávky, titulky a upravitelné přepisy; nabízí kontextové klíčové výrazy i volbu mezi doslovným a jazykově upraveným přepisem.

Ailoot Ultra · Přepis řeči POST /v1/audio/transcriptions elevenlabs/scribe-v2

O modelu

Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.

ElevenLabs Scribe v2 je model dávkového rozpoznávání řeči pro nahrané audio, přepis a tvorbu titulků včetně skrytých titulků. Navazuje na Scribe v1 a lépe zpracovává dlouhé nahrávky, pauzy, změny tónu a delší ticho. Výsledkem je písemný záznam řeči s časovými údaji a volitelnými anotacemi mluvčích a zvukových událostí. Scribe v2 Realtime je samostatná edice pro živý přepis; účelem tohoto modelu je zpracování úplných nahrávek.

Výrobce dokumentuje rozpoznávání ve více než 90 jazycích a automatickou detekci jazyka, včetně nahrávek, v nichž se jazyky střídají. Vodítko v podobě známého jazyka může modelu pomoci s interpretací audia. Připravte srozumitelnou nahrávku, zachovejte původní jazyk a jména a vyhněte se výraznému ořezu špiček signálu nebo zbytečnému zpracování odstraňujícímu detaily řeči. Mezi běžné dokumentované vstupy patří WAV, MP3, FLAC, M4A, AAC, OGG, Opus a WebM. Zvolte podobu vstupu podporovanou implementací přepisu a zachovejte zdrojovou nahrávku pro kontrolu.

Standardní odpověď obsahuje rozpoznaný text, informace o zjištěném jazyce a posloupnost slov s časovými údaji. Záznamy slov mohou zahrnovat časy začátku a konce, identifikátory mluvčích a logaritmickou pravděpodobnost rozpoznání. Díky tomu je výsledek užitečný pro titulky, prohledávatelné rozhovory nebo editor, který přeskočí zpět na příslušný zvuk. Časově označený výsledek uchovejte společně se zdrojovým audiem. U podcastu může být výstupem například upravitelný přepis a záznam přiřazený k jednotlivým slovům, který pomůže vyhledat místa k opravě před rozvržením titulků.

Diarizace mluvčích označuje, kdo kdy hovoří v audiu s více mluvčími; výrobce dokumentuje podporu až 32 mluvčích. Zapněte ji, pokud jsou změny mluvčího důležité, a je-li počet mluvčích znám, uveďte přiměřený počet. Rozlišujte zjištěný štítek mluvčího od ověřeného jména osoby. U rozhovoru nebo schůzky ověřujte změny mluvčího podle nahrávky, zejména když se hlasy překrývají nebo znějí podobně. Štítek pomáhá přepis uspořádat; sám o sobě neprokazuje totožnost mluvčího.

Nahrávka s jedním mluvčím na každém kanálu má jinou strukturu než několik hlasů smíchaných do jednoho kanálu. Rozhraní výrobce dokáže nezávisle zpracovat až pět kanálů a vrátit samostatné přepisy nebo kombinovaný přepis seřazený podle času s indexy kanálů. Pokud má uspořádání kanálů význam, zachovejte je. Sloučením oddělených kanálů nahrávky hovoru před přepisem můžete přijít o užitečný zdroj informací o mluvčích. Rozlišujte přiřazení podle kanálu od diarizace odvozené ze smíchaného audia. Odpověď s kombinovanými kanály vyžaduje časové značky a nemůže obsahovat detekci ani anonymizaci entit.

Zadání klíčových výrazů usměrňuje rozpoznávání jmen, produktových názvů a odborné slovní zásoby pomocí kontextu. Aktuální dokumentace dávkového zpracování povoluje až 1 000 výrazů, přičemž každý musí mít méně než 50 znaků a nejvýše pět slov. Poskytněte relevantní zápisy výrazů místo širokého nesouvisejícího katalogu. U technického rozhovoru uveďte názvy produktů a zkratky, které pravděpodobně zazní, a poté je ověřte na jejich časových značkách ve výsledku. Klíčové výrazy ovlivňují rozpoznávání; nejsou pokynem k vložení výrazu, který nemá oporu v nahrávce.

Před jazykovým uhlazením zvolte účel přepisu. Doslovný záznam zachovává vyslovené znění, zatímco dokumentovaná volba no-verbatim odstraňuje výplňová slova, nedokončené začátky výpovědí a řečové neplynulosti pro čitelnější výsledek. Dynamické značkování audia může označovat neřečové události, například smích nebo kroky. Uhlazený přepis může posloužit pro titulky nebo čtení, nemá však potichu nahradit původní záznam, pokud jsou pro úkol důležité opakování, opravy nebo neřečové zvuky.

Výrobce také dokumentuje detekci entit a experimentální úpravy přepisu. V rozhraní výrobce nelze úpravy přepisu kombinovat s detekcí entit, anonymizací entit ani vícekanálovým přepisem. Zjištěné entity poskytují strukturované pozice vybraných informací v přepisu. Volitelná anonymizace entit maskuje rozpoznaný text náhradními štítky; závisí na detekci entit a při zapnuté anonymizaci se seznam entit nevrací. Anonymizace probíhá během přepisu pomocí obecné náhradní značky, štítku kategorie nebo očíslovaného štítku kategorie. Automatická anonymizace může citlivý obsah přehlédnout, proto anonymizovaný přepis před sdílením zkontrolujte. Úprava zadaná přirozeným jazykem vrací upravený text vedle původního výsledku, takže původní záznam časových údajů a mluvčích zůstává dostupný. Tyto výstupy udržujte odděleně: opravený pravopis nebo přeformátovaná věta mohou vyžadovat novou kontrolu před přiřazením k audiu nebo použitím při následné extrakci. Tyto funkce zpracovávají přepis; nepotvrzují, že byly správně rozpoznány všechny důležité podrobnosti.

U dokončeného přepisu ověřte jména, čísla, zápory a změny mluvčích návratem k odpovídajícímu audiu. Věnujte pozornost tichým úsekům, překrývání hlasů a přepínání jazyků, místo abyste kvalitu posuzovali jen podle plynulého textu. Nejisté znění ponechte k opravě, místo abyste neslyšitelnou pasáž doplnili věrohodnou větou. Užitečným výsledkem je zkontrolovaný textový záznam s časovými údaji a informacemi o mluvčích potřebnými pro jeho zamýšlené použití; přepis se pak může stát vstupem pro samostatné shrnutí, překlad nebo analýzu.

Ailoot Ultra · Přepis řeči POST /v1/audio/transcriptions elevenlabs/scribe-v2

elevenlabs/scribe-v2

ElevenLabs /elevenlabs/scribe-v2

Úvod

Přijímané vstupy: Zvuk
Výsledky: Text

Dostupné v Ailoot · vstupy a metody

Ailoot Ultra · Přepis řeči POST /v1/audio/transcriptions

Vstup: audio
Výstup: text

Pole	Typ	Požadavek	Hodnoty a limity	Výchozí
Pole`model`	Typ`string`	PožadavekPovinné	Hodnoty a limity elevenlabs/scribe-v2	Výchozí—
Pole`input_audio`	Typ`object`	PožadavekPovinné	Hodnoty a limity	Výchozí—

Parametry a životní cyklus metody

Parametr	Kontrakt
Parametr`content_type`	Kontraktapplication/json
Parametr`required`	Kontraktmodel, input_audio
Parametr`material_types`	Kontraktaudio
Parametr`material_conditions`	KontraktPříklad načte váš skutečný neprázdný soubor PCM WAV, zakóduje všechny jeho bajty do base64 a odešle input_audio.format s hodnotou wav.

Životní cyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · přesné task_id z existujícího záznamu média spravovaného službou

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Tarify

Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.

Rychlý režim: Neuvedeno Při výběru rychlého režimu
Režim flex: Neuvedeno Při výběru režimu flex
Maximální intenzita uvažování: Neuvedeno Když se při maximální intenzitě uvažování použije výchozí úprava (default)

Sazby Ailoot

Ceny podle konfigurace

Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.

Konfigurace	Tabulka sazeb	Účtovací jednotka	Poplatek
KonfiguraceZákladní sazby za tokeny	Tabulka sazebZákladní sazba	Účtovací jednotka—	Poplatek Vstup · Vstupní tokeny — / 1K tokenů Výstup · Výstupní tokeny — / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů
Konfiguracesekunda vstupního zvuku	Tabulka sazeb—	Účtovací jednotkaza sekundu vstupního zvuku	Poplatek Vstup · sekunda vstupního zvuku $0.0001222222222222 za sekundu vstupního zvuku

Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →

Příklady požadavků

Ailoot Ultra · Přepis řeči

curl · skutečný soubor WAV a úplný původní výsledek

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import base64, io, json, os, wave
from pathlib import Path
audio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):
    raise SystemExit('Supply your actual PCM WAV audio file')
with wave.open(io.BytesIO(audio), 'rb') as recording:
    if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:
        raise SystemExit('Supply a nonempty PCM WAV recording')
request = {'model': 'elevenlabs/scribe-v2', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}
Path('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o response.bin
# Retain the complete original response, headers and actual X-Client-Request-ID.
# Read existing owned records for recovery; do not resubmit an uncertain operation.

Přijímání a ukládání výsledků

Ailoot Ultra · Přepis řeči

Celé původní tělo odpovědi, stav a předané hlavičky. Tento obslužný kód nepřidává žádnou univerzální strukturu JSON, textové pole ani obalovou strukturu úlohy.

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Uchovejte všechny dokončené výsledky

Uchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.

Uchovejte úplnou odpověď a hlavičky, všechny skutečné výstupy, původní vrácené identifikátory a všechna pole s údaji o využití. Obnovte původní operaci bez opětovného odeslání požadavku na vytvoření.

Pokud je nutné ověřit původní odpověď

Uchovejte skutečné X-Client-Request-ID a celou odpověď. Načítejte původní soubory spravované službou a jejich přesné podepsané URL obsahu; vytvoření s nejistým výsledkem nikdy znovu neodesílejte.

Pole odpovědi

Pole	Typ
Pole`text (when present)`	Typ
Pole`usage (when present)`	Typ

Chyby a další kroky

Odpověď	Podmínka	Další krok
Odpověď400 · `invalid_request_error`	PodmínkaTělo JSON nebo explicitně uvedené kanonické ID modelu jsou neplatné.	Další krokUchovejte odpověď a opravte označené pole požadavku.
Odpověď401 · `authentication_error`	PodmínkaKlíč API Ailoot je neplatný.	Další krokPoužijte svůj autorizovaný klíč API Ailoot.
Odpověď403 · `permission_error`	PodmínkaSkupina klíče nemá přístup k této metodě.	Další krokUchovejte vrácené podrobnosti chyby.
Odpověď404 · `not_found_error`	PodmínkaVybraná metoda nemá žádnou trasu s povoleným přístupem.	Další krokUchovejte vrácené podrobnosti chyby.
Odpověď422 · `price_unavailable`	PodmínkaPřijatý tarif nedokáže získat potřebné vstupní množství nebo jeho horní mez.	Další krokUchovejte odpověď; použijte způsob zadání vstupu požadovaný přijatým tarifem.
Odpověď503 ·	PodmínkaPotřebné úložiště, trasa, cena metody nebo rezervace nejsou dostupné.	Další krokUchovejte celou původní odpověď. Nejasná rezervace neopravňuje k opětovnému odeslání.
Odpověď502 · `server_error`	PodmínkaPůvodní výsledek, údaje o využití nebo vyúčtování vyžadují kontrolu.	Další krokUchovejte skutečné ID požadavku a původní odpověď. Načítejte existující záznam spravovaný službou; požadavek na vytvoření znovu neodesílejte.

Aliasy

Aliasy modelu

Ailoot Ultra elevenlabs/scribe-v2

Aliasy cest metod

Použijte cesty metod uvedené výše.

Související ID modelů

elevenlabs/scribe-v2

FAQ · ElevenLabs: Scribe v2

Jaké vstupy a výsledky jsou dostupné?: POST /v1/audio/transcriptions · elevenlabs/scribe-v2: audio → text
Jaká pole požadavek používá?: POST /v1/audio/transcriptions · elevenlabs/scribe-v2: model, input_audio

ElevenLabs: Scribe v2