ElevenLabs: Scribe v2

ElevenLabs Scribe v2 ist das Spracherkennungsmodell zur Stapelverarbeitung für aufgezeichnetes Audio, Transkription sowie Untertitel mit und ohne Zusatzinformationen. Es baut auf Scribe v1 auf und verarbeitet lange Aufnahmen, Pausen, Tonfalländerungen und längere Stille besser. Das Ergebnis ist verschriftlichte Sprache mit Zeitinformationen und optionalen Anmerkungen zu Sprechern und Audioereignissen. Scribe v2 Realtime ist eine eigene Ausgabe zur Live-Transkription; dieses Modell dient der Verarbeitung vollständiger Aufnahmen.

Der Hersteller dokumentiert Erkennung in mehr als 90 Sprachen und automatische Erkennung der Sprache, auch bei Aufnahmen mit Sprachwechseln. Ein Hinweis auf die bekannte Sprache kann dem Modell bei der Interpretation des Audios helfen. Bereiten Sie eine klare Aufnahme vor, bewahren Sie Originalsprache und Namen und vermeiden Sie starke Übersteuerung oder unnötige Bearbeitung, die Sprachdetails entfernt. Zu den gängigen dokumentierten Eingabeformaten zählen WAV, MP3, FLAC, M4A, AAC, OGG, Opus und WebM. Wählen Sie eine von der Transkriptionsimplementierung unterstützte Eingabedarstellung und bewahren Sie die Quellaufnahme zur Prüfung auf.

Die Standardantwort enthält den erkannten Text, Informationen zur erkannten Sprache und eine Folge zeitlich zugeordneter Wörter. Wortdatensätze können Start- und Endzeiten, Sprecherkennungen und einen logarithmischen Erkennungswahrscheinlichkeitswert enthalten. Diese Angaben machen das Ergebnis für Untertitel, durchsuchbare Interviews oder einen Editor nützlich, der zur relevanten Tonstelle springt. Bewahren Sie das zeitlich zugeordnete Ergebnis zusammen mit dem Quellaudio auf. Bei einem Podcast kann das Arbeitsergebnis beispielsweise ein bearbeitbares Transkript und ein wortweise zugeordneter Datensatz sein, der das Auffinden von Korrekturen vor der Untertitelanordnung unterstützt.

Die Sprecherzuordnung kennzeichnet bei Audio mit mehreren Personen, wer wann spricht; der Hersteller dokumentiert bis zu 32 Sprecher. Aktivieren Sie sie, wenn Sprecherwechsel wichtig sind, und geben Sie eine sinnvolle Sprecheranzahl an, falls sie bekannt ist. Unterscheiden Sie eine erkannte Sprecherbezeichnung vom verifizierten Namen einer Person. Prüfen Sie bei einem Interview oder einer Besprechung die Sprecherwechsel anhand der Aufnahme, insbesondere bei überlappenden oder ähnlich klingenden Stimmen. Eine Bezeichnung hilft, das Transkript zu ordnen; sie belegt die Identität der sprechenden Person nicht unabhängig.

Eine Aufnahme mit einer Person pro Kanal hat eine andere Struktur als mehrere in einem Kanal gemischte Stimmen. Die Herstellerschnittstelle kann bis zu fünf Kanäle unabhängig verarbeiten und separate Transkripte oder ein nach Zeit geordnetes kombiniertes Transkript mit Kanalindizes zurückgeben. Bewahren Sie diese Kanalaufteilung, wenn sie aussagekräftig ist. Werden getrennte Kanäle einer Gesprächsaufnahme vor der Transkription zusammengeführt, kann eine nützliche Quelle für Sprecherinformationen verloren gehen. Halten Sie kanalbasierte Zuordnung von der aus gemischtem Audio erschlossenen Sprecherzuordnung getrennt. Die kombinierte Kanalantwort erfordert Zeitstempel und kann keine Entitätserkennung oder Entitätenschwärzung enthalten.

Schlüsselbegriffe steuern die Erkennung von Namen, Produktbegriffen und Fachvokabular anhand des Kontexts. Die aktuelle Batch-Dokumentation erlaubt bis zu 1.000 Begriffe, wobei jeder Begriff weniger als 50 Zeichen und höchstens fünf Wörter umfasst. Geben Sie relevante Schreibweisen statt eines breiten, sachfremden Katalogs vor. Liefern Sie für ein technisches Interview die voraussichtlich vorkommenden Produktnamen und Abkürzungen und prüfen Sie diese anschließend an ihren Zeitmarken im Ergebnis. Schlüsselbegriffe beeinflussen die Erkennung; sie sind keine Anweisungen, einen Begriff einzufügen, wenn die Aufnahme ihn nicht stützt.

Legen Sie den Zweck des Transkripts vor einer Bereinigung fest. Eine wortgetreue Aufzeichnung bewahrt den gesprochenen Wortlaut, während die dokumentierte Option „no-verbatim“ für nicht wortgetreue Transkription Füllwörter, Fehlansätze und Stockungen für bessere Lesbarkeit entfernt. Dynamische Audiomarkierungen können nichtsprachliche Ereignisse wie Lachen oder Schritte kennzeichnen. Ein geglättetes Transkript kann für Untertitel oder zum Lesen nützlich sein, sollte die Rohaufzeichnung aber nicht stillschweigend ersetzen, wenn Wiederholungen, Korrekturen oder nichtsprachliche Geräusche für die Aufgabe wichtig sind.

Der Hersteller dokumentiert außerdem Entitätserkennung und experimentelle Transkriptbearbeitung. In der Herstellerschnittstelle lässt sich Transkriptbearbeitung nicht mit Entitätserkennung, Entitätenschwärzung oder Mehrkanaltranskription kombinieren. Erkannte Entitäten liefern strukturierte Positionsangaben für ausgewählte Informationen im Transkript. Optionale Entitätenschwärzung maskiert erkannten Text mit Ersatzbezeichnungen; sie hängt von der Entitätserkennung ab, und bei aktivierter Schwärzung wird die Entitätenliste nicht zurückgegeben. Die Schwärzung erfolgt während der Transkription mit einer allgemeinen Ersatzmarkierung, einer Kategorienbezeichnung oder einer nummerierten Kategorienbezeichnung. Automatische Schwärzung kann sensible Inhalte übersehen; prüfen Sie daher das geschwärzte Transkript vor der Weitergabe. Eine Bearbeitung in natürlicher Sprache gibt einen bearbeiteten Text neben dem ursprünglichen Ergebnis zurück und lässt die ursprünglichen Zeitangaben und Sprecherdaten verfügbar. Halten Sie diese Arbeitsergebnisse auseinander: Eine korrigierte Schreibweise oder ein umformatierter Satz kann eine erneute Prüfung benötigen, bevor er dem Audio zugeordnet oder in einer nachgelagerten Extraktion verwendet wird. Diese Funktionen verarbeiten das Transkript; sie belegen nicht, dass jedes wichtige Detail korrekt erkannt wurde.

Prüfen Sie für ein fertiges Transkript Namen, Zahlen, Verneinungen und Sprecherwechsel, indem Sie zu den entsprechenden Audiostellen zurückkehren. Achten Sie auf leise Abschnitte, Überlappungen und Sprachwechsel, statt die Qualität nur nach flüssigem Text zu beurteilen. Bewahren Sie unsicheren Wortlaut zur Korrektur auf, statt eine unhörbare Passage mit einem plausiblen Satz zu ergänzen. Das nützliche Ergebnis ist eine geprüfte Textaufzeichnung mit den für den beabsichtigten Zweck benötigten Zeit- und Sprecherinformationen; ein Transkript kann anschließend als Eingabe für einen getrennten Zusammenfassungs-, Übersetzungs- oder Analyseschritt dienen.