ElevenLabs: Scribe v2

ElevenLabs Scribe v2 ist das Modell zur Stapel-Spracherkennung für aufgezeichnetes Audio, Transkription und Untertitelung, auch mit Angaben zu Geräuschen und Sprechenden. Es baut auf Scribe v1 auf und verbessert die Verarbeitung langer Aufnahmen, Pausen, Änderungen im Tonfall und längerer Stille. Das Ergebnis ist verschriftlichte Sprache mit Zeitangaben sowie optionalen Sprecher- und Audioereignis-Annotationen. Scribe v2 Realtime ist eine separate Version für Live-Transkription; dieses Modell dient der Verarbeitung vollständiger Aufnahmen.

Der Hersteller dokumentiert Erkennung in mehr als 90 Sprachen und automatische Spracherkennung, auch bei Aufnahmen mit Sprachwechseln. Ein Hinweis auf eine bekannte Sprache kann dem Modell helfen, das Audio zu interpretieren. Bereiten Sie eine klare Aufnahme vor, erhalten Sie Originalsprache und Namen und vermeiden Sie starke Übersteuerung oder unnötige Verarbeitung, die Sprachdetails entfernt. Zu den gängigen dokumentierten Eingaben gehören 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 zeitmarkierter Wörter. Wortdatensätze können Start- und Endzeiten, Sprecherkennungen und eine logarithmische Erkennungswahrscheinlichkeit enthalten. Damit eignet sich das Ergebnis für Untertitel, durchsuchbare Interviews oder einen Editor, der zur betreffenden Audiostelle zurückspringt. Bewahren Sie das zeitmarkierte Ergebnis zusammen mit dem Quellaudio auf. Bei einem Podcast kann das Arbeitsergebnis beispielsweise aus einem bearbeitbaren Transkript und einem wortweise zeitlich zugeordneten Datensatz bestehen, mit dem sich Korrekturen vor der Anordnung der Untertitel auffinden lassen.

Sprecherdiarisierung kennzeichnet bei Audio mit mehreren Personen, wer wann spricht; der Hersteller dokumentiert bis zu 32 Sprechende. Aktivieren Sie sie, wenn Sprecherwechsel wichtig sind, und geben Sie eine realistische Sprecheranzahl vor, falls diese bekannt ist. Unterscheiden Sie eine erkannte Sprecherkennzeichnung vom bestätigten Namen einer Person. Prüfen Sie bei einem Interview oder einer Besprechung Sprecherwechsel anhand der Aufnahme, besonders bei überlappenden oder ähnlich klingenden Stimmen. Eine Kennzeichnung 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 Schnittstelle des Herstellers kann bis zu fünf Kanäle unabhängig verarbeiten und separate Transkripte oder ein nach Zeit geordnetes kombiniertes Transkript mit Kanalindizes zurückgeben. Bewahren Sie diese Kanalanordnung, wenn sie aussagekräftig ist. Wird eine getrennte Gesprächsaufnahme vor der Transkription zusammengeführt, kann eine nützliche Quelle für Sprecherinformationen verloren gehen. Halten Sie kanalbasierte Zuordnung von Diarisierung getrennt, die aus gemischtem Audio erschlossen wird. Die Antwort mit kombinierten Kanälen erfordert Zeitmarken und kann weder Entitätserkennung noch Schwärzung enthalten.

Schlüsselbegriff-Prompts lenken die Erkennung von Namen, Produktbegriffen und Fachwortschatz mithilfe des Kontexts. Die aktuelle Stapeldokumentation erlaubt bis zu 1'000 Begriffe mit jeweils weniger als 50 Zeichen und höchstens fünf Wörtern. Geben Sie relevante Schreibweisen statt eines breiten sachfremden Katalogs vor. Stellen Sie für ein technisches Interview die wahrscheinlich vorkommenden Produktnamen und Abkürzungen bereit und prüfen Sie sie 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 vor einer Bereinigung den Zweck des Transkripts fest. Eine wortgetreue Aufzeichnung bewahrt den gesprochenen Wortlaut, während die dokumentierte Option «no-verbatim» Füllwörter, Fehlansätze und Sprechunflüssigkeiten für ein besser lesbares Ergebnis entfernt. Dynamische Audiomarkierungen können nichtsprachliche Ereignisse wie Lachen oder Schritte identifizieren. Ein geglättetes Transkript kann für Untertitel oder zum Lesen nützlich sein, sollte aber die Rohfassung nicht stillschweigend ersetzen, wenn Wiederholungen, Korrekturen oder nichtsprachliche Geräusche für die Aufgabe wichtig sind.

Der Hersteller dokumentiert ausserdem Entitätserkennung und experimentelle Transkriptbearbeitung. Transkriptbearbeitung lässt sich in der Herstellerschnittstelle nicht mit Entitätserkennung, Entitätenschwärzung oder Mehrkanaltranskription kombinieren. Erkannte Entitäten liefern strukturierte Positionsangaben für ausgewählte Informationen im Transkript. Die optionale Entitätenschwärzung maskiert erkannten Text durch Ersatzkennzeichnungen; sie setzt Entitätserkennung voraus, und bei aktivierter Schwärzung wird die Entitätenliste nicht zurückgegeben. Die Schwärzung erfolgt während der Transkription und verwendet einen allgemeinen Ersatzmarker, eine Kategoriekennzeichnung oder eine nummerierte Kategoriekennzeichnung. Automatische Schwärzung kann sensible Inhalte übersehen; prüfen Sie das geschwärzte Transkript daher vor der Weitergabe. Eine Bearbeitung in natürlicher Sprache liefert einen bearbeiteten Text neben dem ursprünglichen Ergebnis zurück, während ursprüngliche Zeit- und Sprecherdaten verfügbar bleiben. Halten Sie diese Arbeitsergebnisse auseinander: Eine korrigierte Schreibweise oder ein umformatierter Satz benötigt möglicherweise eine erneute Prüfung, bevor er mit dem Audio abgeglichen 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 anhand flüssigen Textes zu beurteilen. Bewahren Sie unsichere Formulierungen zur Korrektur, statt eine unhörbare Passage mit einem plausiblen Satz zu ergänzen. Das nützliche Ergebnis ist ein geprüfter Textdatensatz mit den für seinen Zweck erforderlichen Zeit- und Sprecherinformationen; ein Transkript kann danach als Eingabe für einen separaten Schritt zur Zusammenfassung, Übersetzung oder Analyse dienen.