ElevenLabs Scribe v2 er modellen til batchtalegenkendelse af optaget lyd, transskription og undertekster, også undertekster med lydinformation. Den bygger videre på Scribe v1 med forbedret håndtering af lange optagelser, pauser, ændringer i tonefald og længere perioder med stilhed. Resultatet er nedskrevet tale med tidsangivelser og valgfrie annoteringer af talere og lydhændelser. Scribe v2 Realtime er en særskilt udgave til transskription i realtid; denne models formål er at behandle komplette optagelser.
Producenten dokumenterer genkendelse på mere end 90 sprog og automatisk sproggenkendelse, herunder i optagelser med sprogskift. En angivelse af det kendte sprog kan hjælpe modellen med at fortolke lyden. Forbered en tydelig optagelse, bevar originalsproget og navnene, og undgå kraftig overstyring eller unødvendig behandling, der fjerner detaljer i talen. Almindelige dokumenterede input omfatter WAV, MP3, FLAC, M4A, AAC, OGG, Opus og WebM. Vælg en inputrepræsentation, der understøttes af transskriptionsimplementeringen, og bevar kildeoptagelsen til gennemgang.
Standardsvaret indeholder den genkendte tekst, oplysninger om det registrerede sprog og en sekvens af ord med tidsangivelser. Ordregistreringer kan indeholde start- og sluttider, taleridentifikatorer og en logaritmisk sandsynlighed for genkendelsen. Det gør resultatet nyttigt til undertekster, søgbare interviews eller en editor, der springer tilbage til den relevante lyd. Bevar resultatet med tidsangivelser sammen med kildelyden. For en podcast kan leverancen for eksempel være en redigerbar transskription og en registrering med tidsangivelser for hvert ord, der hjælper med at lokalisere rettelser, før underteksterne sættes op.
Talerdiarisering angiver, hvem der taler hvornår i lyd med flere talere, med op til 32 talere dokumenteret af producenten. Slå det til, når talerskift er vigtige, og angiv et rimeligt antal talere, hvis det er kendt. Skeln mellem en registreret taleretiket og en verificeret persons navn. Ved et interview eller møde skal du kontrollere talerskift i forhold til optagelsen, især hvor stemmer overlapper eller ligner hinanden. En etiket hjælper med at organisere transskriptionen; den fastslår ikke i sig selv talerens identitet.
En optagelse med én taler pr. kanal har en anden struktur end flere stemmer blandet i én kanal. Producentens grænseflade kan behandle op til fem kanaler uafhængigt og returnere separate transskriptioner eller en samlet transskription ordnet efter tid med kanalindekser. Bevar kanalopbygningen, når den er relevant. Hvis en opkaldsoptagelse med adskilte kanaler blandes sammen før transskription, kan en nyttig kilde til taleroplysninger gå tabt. Hold kanalbaseret attribution adskilt fra diarisering udledt af blandet lyd. Svaret med kombinerede kanaler kræver tidsstempler og kan ikke indeholde registrering eller maskering af entiteter.
Prompter med nøgletermer vejleder genkendelsen af navne, produkttermer og fagligt ordforråd ved hjælp af kontekst. Den aktuelle batchdokumentation tillader op til 1.000 termer, hvor hver term skal være under 50 tegn og højst fem ord. Angiv relevante stavemåder frem for et bredt, uvedkommende katalog. Ved et teknisk interview kan du angive de produktnavne og forkortelser, der sandsynligvis forekommer, og derefter kontrollere dem ved deres tidsstempler i resultatet. Nøgletermer påvirker genkendelsen; de er ikke instruktioner om at indsætte en term, når optagelsen ikke underbygger den.
Vælg transskriptionens formål, før du bearbejder teksten. En ordret registrering bevarer den talte ordlyd, mens den dokumenterede no-verbatim-indstilling fjerner fyldord, afbrudte sætningsstarter, tøven og andre uregelmæssigheder i talen for at give et mere læsbart resultat. Dynamisk tagging af lyd kan identificere hændelser uden tale, som latter eller fodtrin. En bearbejdet transskription kan være nyttig til undertekster eller læsning, men den må ikke stiltiende erstatte den rå registrering, når gentagelser, rettelser eller lyde uden tale er vigtige for opgaven.
Producenten dokumenterer også registrering af entiteter og eksperimentel redigering af transskriptioner. Redigering af transskriptioner kan ikke kombineres med registrering af entiteter, maskering af entiteter eller flerkanalstransskription i producentens grænseflade. Registrerede entiteter angiver strukturerede positioner for udvalgte oplysninger i transskriptionen. Valgfri maskering af entiteter skjuler registreret tekst med erstatningsetiketter; det afhænger af registrering af entiteter, og listen over entiteter returneres ikke, når maskering er slået til. Maskering sker under transskriptionen med en generisk erstatningsmarkør, en kategorietiket eller en nummereret kategorietiket. Automatisk maskering kan overse følsomt indhold, så gennemgå den maskerede transskription, før den deles. En redigering beskrevet i naturligt sprog returnerer en redigeret tekst sammen med det oprindelige resultat, så den oprindelige registrering af tidsangivelser og talere fortsat er tilgængelig. Hold disse resultater adskilt: en rettet stavemåde eller omformateret sætning kan kræve en ny kontrol, før den kobles til lyden eller bruges i et efterfølgende udtræk. Disse funktioner behandler transskriptionen; de dokumenterer ikke, at alle vigtige detaljer er genkendt korrekt.
For at færdiggøre en transskription skal du gennemgå navne, tal, nægtelser og talerskift ved at vende tilbage til den tilsvarende lyd. Vær opmærksom på stille passager, overlap og sprogskift frem for kun at bedømme kvaliteten ud fra flydende tekst. Bevar usikker ordlyd til rettelse i stedet for at fuldende en uhørlig passage med en plausibel sætning. Det nyttige resultat er en kontrolleret tekstregistrering med de tidsangivelser og taleroplysninger, som dens tilsigtede anvendelse kræver; transskriptionen kan derefter bruges som input til et separat trin med opsummering, oversættelse eller analyse.
", "aboutText": "ElevenLabs Scribe v2 er modellen til batchtalegenkendelse af optaget lyd, transskription og undertekster, også undertekster med lydinformation. Den bygger videre på Scribe v1 med forbedret håndtering af lange optagelser, pauser, ændringer i tonefald og længere perioder med stilhed. Resultatet er nedskrevet tale med tidsangivelser og valgfrie annoteringer af talere og lydhændelser. Scribe v2 Realtime er en særskilt udgave til transskription i realtid; denne models formål er at behandle komplette optagelser.\n\nProducenten dokumenterer genkendelse på mere end 90 sprog og automatisk sproggenkendelse, herunder i optagelser med sprogskift. En angivelse af det kendte sprog kan hjælpe modellen med at fortolke lyden. Forbered en tydelig optagelse, bevar originalsproget og navnene, og undgå kraftig overstyring eller unødvendig behandling, der fjerner detaljer i talen. Almindelige dokumenterede input omfatter WAV, MP3, FLAC, M4A, AAC, OGG, Opus og WebM. Vælg en inputrepræsentation, der understøttes af transskriptionsimplementeringen, og bevar kildeoptagelsen til gennemgang.\n\nStandardsvaret indeholder den genkendte tekst, oplysninger om det registrerede sprog og en sekvens af ord med tidsangivelser. Ordregistreringer kan indeholde start- og sluttider, taleridentifikatorer og en logaritmisk sandsynlighed for genkendelsen. Det gør resultatet nyttigt til undertekster, søgbare interviews eller en editor, der springer tilbage til den relevante lyd. Bevar resultatet med tidsangivelser sammen med kildelyden. For en podcast kan leverancen for eksempel være en redigerbar transskription og en registrering med tidsangivelser for hvert ord, der hjælper med at lokalisere rettelser, før underteksterne sættes op.\n\nTalerdiarisering angiver, hvem der taler hvornår i lyd med flere talere, med op til 32 talere dokumenteret af producenten. Slå det til, når talerskift er vigtige, og angiv et rimeligt antal talere, hvis det er kendt. Skeln mellem en registreret taleretiket og en verificeret persons navn. Ved et interview eller møde skal du kontrollere talerskift i forhold til optagelsen, især hvor stemmer overlapper eller ligner hinanden. En etiket hjælper med at organisere transskriptionen; den fastslår ikke i sig selv talerens identitet.\n\nEn optagelse med én taler pr. kanal har en anden struktur end flere stemmer blandet i én kanal. Producentens grænseflade kan behandle op til fem kanaler uafhængigt og returnere separate transskriptioner eller en samlet transskription ordnet efter tid med kanalindekser. Bevar kanalopbygningen, når den er relevant. Hvis en opkaldsoptagelse med adskilte kanaler blandes sammen før transskription, kan en nyttig kilde til taleroplysninger gå tabt. Hold kanalbaseret attribution adskilt fra diarisering udledt af blandet lyd. Svaret med kombinerede kanaler kræver tidsstempler og kan ikke indeholde registrering eller maskering af entiteter.\n\nPrompter med nøgletermer vejleder genkendelsen af navne, produkttermer og fagligt ordforråd ved hjælp af kontekst. Den aktuelle batchdokumentation tillader op til 1.000 termer, hvor hver term skal være under 50 tegn og højst fem ord. Angiv relevante stavemåder frem for et bredt, uvedkommende katalog. Ved et teknisk interview kan du angive de produktnavne og forkortelser, der sandsynligvis forekommer, og derefter kontrollere dem ved deres tidsstempler i resultatet. Nøgletermer påvirker genkendelsen; de er ikke instruktioner om at indsætte en term, når optagelsen ikke underbygger den.\n\nVælg transskriptionens formål, før du bearbejder teksten. En ordret registrering bevarer den talte ordlyd, mens den dokumenterede no-verbatim-indstilling fjerner fyldord, afbrudte sætningsstarter, tøven og andre uregelmæssigheder i talen for at give et mere læsbart resultat. Dynamisk tagging af lyd kan identificere hændelser uden tale, som latter eller fodtrin. En bearbejdet transskription kan være nyttig til undertekster eller læsning, men den må ikke stiltiende erstatte den rå registrering, når gentagelser, rettelser eller lyde uden tale er vigtige for opgaven.\n\nProducenten dokumenterer også registrering af entiteter og eksperimentel redigering af transskriptioner. Redigering af transskriptioner kan ikke kombineres med registrering af entiteter, maskering af entiteter eller flerkanalstransskription i producentens grænseflade. Registrerede entiteter angiver strukturerede positioner for udvalgte oplysninger i transskriptionen. Valgfri maskering af entiteter skjuler registreret tekst med erstatningsetiketter; det afhænger af registrering af entiteter, og listen over entiteter returneres ikke, når maskering er slået til. Maskering sker under transskriptionen med en generisk erstatningsmarkør, en kategorietiket eller en nummereret kategorietiket. Automatisk maskering kan overse følsomt indhold, så gennemgå den maskerede transskription, før den deles. En redigering beskrevet i naturligt sprog returnerer en redigeret tekst sammen med det oprindelige resultat, så den oprindelige registrering af tidsangivelser og talere fortsat er tilgængelig. Hold disse resultater adskilt: en rettet stavemåde eller omformateret sætning kan kræve en ny kontrol, før den kobles til lyden eller bruges i et efterfølgende udtræk. Disse funktioner behandler transskriptionen; de dokumenterer ikke, at alle vigtige detaljer er genkendt korrekt.\n\nFor at færdiggøre en transskription skal du gennemgå navne, tal, nægtelser og talerskift ved at vende tilbage til den tilsvarende lyd. Vær opmærksom på stille passager, overlap og sprogskift frem for kun at bedømme kvaliteten ud fra flydende tekst. Bevar usikker ordlyd til rettelse i stedet for at fuldende en uhørlig passage med en plausibel sætning. Det nyttige resultat er en kontrolleret tekstregistrering med de tidsangivelser og taleroplysninger, som dens tilsigtede anvendelse kræver; transskriptionen kan derefter bruges som input til et separat trin med opsummering, oversættelse eller analyse.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "9f8385157274401910679cd455f3576ffc1b9c34e594ca49b4a76699f94dc35f", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "da", "methods": [ { "html": "elevenlabs/scribe-v2ElevenLabs Scribe v2 transskriberer optaget lyd på 90+ sprog med tidsangivelser på ordniveau, valgfri talerdiarisering og tags for hændelser uden tale. Den er udviklet til lange optagelser, undertekster og redigerbare transskriptioner med kontekstbaserede nøgletermer og mulighed for ordret eller sprogligt bearbejdet transskription.
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
ElevenLabs Scribe v2 er modellen til batchtalegenkendelse af optaget lyd, transskription og undertekster, også undertekster med lydinformation. Den bygger videre på Scribe v1 med forbedret håndtering af lange optagelser, pauser, ændringer i tonefald og længere perioder med stilhed. Resultatet er nedskrevet tale med tidsangivelser og valgfrie annoteringer af talere og lydhændelser. Scribe v2 Realtime er en særskilt udgave til transskription i realtid; denne models formål er at behandle komplette optagelser.
Producenten dokumenterer genkendelse på mere end 90 sprog og automatisk sproggenkendelse, herunder i optagelser med sprogskift. En angivelse af det kendte sprog kan hjælpe modellen med at fortolke lyden. Forbered en tydelig optagelse, bevar originalsproget og navnene, og undgå kraftig overstyring eller unødvendig behandling, der fjerner detaljer i talen. Almindelige dokumenterede input omfatter WAV, MP3, FLAC, M4A, AAC, OGG, Opus og WebM. Vælg en inputrepræsentation, der understøttes af transskriptionsimplementeringen, og bevar kildeoptagelsen til gennemgang.
Standardsvaret indeholder den genkendte tekst, oplysninger om det registrerede sprog og en sekvens af ord med tidsangivelser. Ordregistreringer kan indeholde start- og sluttider, taleridentifikatorer og en logaritmisk sandsynlighed for genkendelsen. Det gør resultatet nyttigt til undertekster, søgbare interviews eller en editor, der springer tilbage til den relevante lyd. Bevar resultatet med tidsangivelser sammen med kildelyden. For en podcast kan leverancen for eksempel være en redigerbar transskription og en registrering med tidsangivelser for hvert ord, der hjælper med at lokalisere rettelser, før underteksterne sættes op.
Talerdiarisering angiver, hvem der taler hvornår i lyd med flere talere, med op til 32 talere dokumenteret af producenten. Slå det til, når talerskift er vigtige, og angiv et rimeligt antal talere, hvis det er kendt. Skeln mellem en registreret taleretiket og en verificeret persons navn. Ved et interview eller møde skal du kontrollere talerskift i forhold til optagelsen, især hvor stemmer overlapper eller ligner hinanden. En etiket hjælper med at organisere transskriptionen; den fastslår ikke i sig selv talerens identitet.
En optagelse med én taler pr. kanal har en anden struktur end flere stemmer blandet i én kanal. Producentens grænseflade kan behandle op til fem kanaler uafhængigt og returnere separate transskriptioner eller en samlet transskription ordnet efter tid med kanalindekser. Bevar kanalopbygningen, når den er relevant. Hvis en opkaldsoptagelse med adskilte kanaler blandes sammen før transskription, kan en nyttig kilde til taleroplysninger gå tabt. Hold kanalbaseret attribution adskilt fra diarisering udledt af blandet lyd. Svaret med kombinerede kanaler kræver tidsstempler og kan ikke indeholde registrering eller maskering af entiteter.
Prompter med nøgletermer vejleder genkendelsen af navne, produkttermer og fagligt ordforråd ved hjælp af kontekst. Den aktuelle batchdokumentation tillader op til 1.000 termer, hvor hver term skal være under 50 tegn og højst fem ord. Angiv relevante stavemåder frem for et bredt, uvedkommende katalog. Ved et teknisk interview kan du angive de produktnavne og forkortelser, der sandsynligvis forekommer, og derefter kontrollere dem ved deres tidsstempler i resultatet. Nøgletermer påvirker genkendelsen; de er ikke instruktioner om at indsætte en term, når optagelsen ikke underbygger den.
Vælg transskriptionens formål, før du bearbejder teksten. En ordret registrering bevarer den talte ordlyd, mens den dokumenterede no-verbatim-indstilling fjerner fyldord, afbrudte sætningsstarter, tøven og andre uregelmæssigheder i talen for at give et mere læsbart resultat. Dynamisk tagging af lyd kan identificere hændelser uden tale, som latter eller fodtrin. En bearbejdet transskription kan være nyttig til undertekster eller læsning, men den må ikke stiltiende erstatte den rå registrering, når gentagelser, rettelser eller lyde uden tale er vigtige for opgaven.
Producenten dokumenterer også registrering af entiteter og eksperimentel redigering af transskriptioner. Redigering af transskriptioner kan ikke kombineres med registrering af entiteter, maskering af entiteter eller flerkanalstransskription i producentens grænseflade. Registrerede entiteter angiver strukturerede positioner for udvalgte oplysninger i transskriptionen. Valgfri maskering af entiteter skjuler registreret tekst med erstatningsetiketter; det afhænger af registrering af entiteter, og listen over entiteter returneres ikke, når maskering er slået til. Maskering sker under transskriptionen med en generisk erstatningsmarkør, en kategorietiket eller en nummereret kategorietiket. Automatisk maskering kan overse følsomt indhold, så gennemgå den maskerede transskription, før den deles. En redigering beskrevet i naturligt sprog returnerer en redigeret tekst sammen med det oprindelige resultat, så den oprindelige registrering af tidsangivelser og talere fortsat er tilgængelig. Hold disse resultater adskilt: en rettet stavemåde eller omformateret sætning kan kræve en ny kontrol, før den kobles til lyden eller bruges i et efterfølgende udtræk. Disse funktioner behandler transskriptionen; de dokumenterer ikke, at alle vigtige detaljer er genkendt korrekt.
For at færdiggøre en transskription skal du gennemgå navne, tal, nægtelser og talerskift ved at vende tilbage til den tilsvarende lyd. Vær opmærksom på stille passager, overlap og sprogskift frem for kun at bedømme kvaliteten ud fra flydende tekst. Bevar usikker ordlyd til rettelse i stedet for at fuldende en uhørlig passage med en plausibel sætning. Det nyttige resultat er en kontrolleret tekstregistrering med de tidsangivelser og taleroplysninger, som dens tilsigtede anvendelse kræver; transskriptionen kan derefter bruges som input til et separat trin med opsummering, oversættelse eller analyse.
POST /v1/audio/transcriptionsaudiotext| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser elevenlabs/scribe-v2 | Standard— |
Feltinput_audio | Typeobject | KravPåkrævet | Værdier og grænser | Standard— |
| Parameter | Kontrakt |
|---|---|
Parametercontent_type | Kontraktapplication/json |
Parameterrequired | Kontraktmodel, input_audio |
Parametermaterial_types | Kontraktaudio |
Parametermaterial_conditions | KontraktEksemplet læser din faktiske, ikke-tomme PCM WAV-fil, koder samtlige bytes i filen som base64 og sender input_audio.format som wav. |
Livscyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · præcist task_id fra en eksisterende mediepost, du ejer
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Tarifoplysninger tilføjer ikke anmodningsmuligheder. Understøttede parametre står ved den valgte metode.
Knyt hver omkostning til de viste betingelser. Brug én takst for hver gruppe af alternative konfigurationer.
| Konfiguration | Takstplan | Afregningsenhed | Beløb |
|---|---|---|---|
| KonfigurationGrundpriser for tokens | TakstplanGrundtakst | Afregningsenhed— | Beløb Input · Inputtokens — / 1K tokens Output · Outputtokens — / 1K tokens Input · Cachelæsning — / 1K tokens Input · Cacheskrivning — / 1K tokens Input · Cacheskrivning, 1 time — / 1K tokens |
| Konfigurationsekund inputlyd | Takstplan— | Afregningsenhedpr. sekund lydinput | Beløb Input · sekund inputlyd $0.0001222222222222 pr. sekund lydinput |
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport base64, io, json, os, wave\nfrom pathlib import Path\naudio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):\n raise SystemExit('Supply your actual PCM WAV audio file')\nwith wave.open(io.BytesIO(audio), 'rb') as recording:\n if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:\n raise SystemExit('Supply a nonempty PCM WAV recording')\nrequest = {'model': 'elevenlabs/scribe-v2', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}\nPath('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete original response, headers and actual X-Client-Request-ID.\n# Read existing owned records for recovery; do not resubmit an uncertain operation.\nHele det oprindelige svarindhold, status og videresendte headere. Denne handler tilføjer hverken en universel JSON-struktur, et tekstfelt eller en opgaveindpakning.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Gem hele svaret og alle headere, alle faktisk returnerede output, de oprindeligt returnerede identifikatorer og alle felter med forbrugsdata. Gendan den oprindelige operation uden at sende oprettelsesanmodningen igen.
Behold det faktiske X-Client-Request-ID og hele svaret. Læs de oprindelige aktiver, du ejer, og deres præcise signerede indholds-URL’er; indsend aldrig en oprettelse med usikkert udfald igen.
| Felt | Type |
|---|---|
Felttext (when present) | Type |
Feltusage (when present) | Type |
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseJSON-indholdet eller det eksplicitte kanoniske model-ID er ugyldigt. | Næste trinBehold svaret, og ret det angivne forespørgselsfelt. |
Svar401 · authentication_error | BetingelseAiloot API-nøglen er ugyldig. | Næste trinBrug din autoriserede Ailoot API-nøgle. |
Svar403 · permission_error | BetingelseNøglens gruppe giver ikke adgang til denne metode. | Næste trinBehold de returnerede fejloplysninger. |
Svar404 · not_found_error | BetingelseDen valgte metode har ingen rute med adgangstilladelse. | Næste trinBehold de returnerede fejloplysninger. |
Svar422 · price_unavailable | BetingelseDen accepterede tarif kan ikke hente den påkrævede inputmængde eller grænse. | Næste trinBehold svaret; brug den inputrepræsentation, som den accepterede tarif kræver. |
Svar503 · | BetingelsePåkrævet lager, rute, metodepris eller reservation er utilgængelig. | Næste trinBehold hele det oprindelige svar. En usikker reservation giver ikke tilladelse til at indsende igen. |
Svar502 · server_error | BetingelseDet oprindelige resultat, forbrug eller den oprindelige afregning skal kontrolleres. | Næste trinBehold det faktiske forespørgsels-ID og det oprindelige svar. Læs den eksisterende post, du ejer; indsend ikke oprettelsen igen. |
Ailoot Ultra elevenlabs/scribe-v2
Brug metodestierne vist ovenfor.