ElevenLabs: Scribe v2

ElevenLabs Scribe v2 ist das Batch-Spracherkennungsmodell für aufgezeichnetes Audio, Transkription sowie Untertitel und erweiterte Untertitel. Es baut auf Scribe v1 auf und verarbeitet lange Aufnahmen, Pausen, Änderungen im Tonfall und längere Stille besser. Das Ergebnis ist verschriftlichte Sprache mit Zeitinformationen und optionalen Annotationen zu Sprechern und Audioereignissen. Scribe v2 Realtime ist eine separate Ausgabe für Live-Transkription; dieses Modell dient der Verarbeitung vollständiger Aufnahmen.

Der Hersteller dokumentiert die Spracherkennung in mehr als 90 Sprachen und eine automatische Erkennung der Sprache, auch bei Aufnahmen mit Sprachwechseln. Ein Hinweis auf eine bekannte Sprache kann dem Modell bei der Audiointerpretation helfen. Bereite eine klare Aufnahme vor, bewahre Originalsprache und Namen und vermeide starke Übersteuerung oder unnötige Verarbeitung, die Sprachdetails entfernt. Zu den gängigen dokumentierten Eingaben gehören WAV, MP3, FLAC, M4A, AAC, OGG, Opus und WebM. Wähle eine Eingabedarstellung, die die Transkriptionsimplementierung unterstützt, und bewahre die Quellaufnahme zur Prüfung auf.

Die Standardantwort enthält den erkannten Text, Informationen zur erkannten Sprache und eine Folge von Wörtern mit Zeitangaben. Wortdatensätze können Start- und Endzeiten, Sprecherkennungen und einen logarithmischen Wahrscheinlichkeitswert der Erkennung enthalten. Damit lässt sich das Ergebnis für Untertitel, durchsuchbare Interviews oder einen Editor verwenden, der zur relevanten Tonstelle zurückspringt. Bewahre das Ergebnis mit Zeitangaben zusammen mit dem Quellaudio auf. Bei einem Podcast kann das Arbeitsergebnis beispielsweise aus einem bearbeitbaren Transkript und einem wortgenau zeitlich zugeordneten Datensatz bestehen, der das Auffinden von Korrekturen vor der Anordnung der Untertitel unterstützt.

Sprecherdiarisierung kennzeichnet bei Audio mit mehreren Sprechern, wer wann spricht; der Hersteller dokumentiert bis zu 32 Sprecher. Aktiviere sie, wenn Sprecherwechsel wichtig sind, und gib eine plausible Sprecherzahl an, sofern diese bekannt ist. Unterscheide eine erkannte Sprecherkennzeichnung vom verifizierten Namen einer Person. Prüfe bei einem Interview oder einer Besprechung die Sprecherwechsel anhand der Aufnahme, besonders bei überlappenden oder ähnlich klingenden Stimmen. Eine Kennzeichnung hilft beim Ordnen des Transkripts; sie belegt die Identität des Sprechers nicht unabhängig.

Eine Aufnahme mit einem Sprecher pro Kanal hat eine andere Struktur als mehrere in einem Kanal gemischte Stimmen. Die Anbieterschnittstelle kann bis zu fünf Kanäle unabhängig verarbeiten und getrennte Transkripte oder ein zeitlich geordnetes kombiniertes Transkript mit Kanalindizes zurückgeben. Bewahre diese Kanalstruktur, wenn sie aussagekräftig ist. Das Zusammenmischen einer getrennten Gesprächsaufnahme vor der Transkription kann eine nützliche Quelle für Sprecherinformationen verwerfen. Halte kanalbasierte Zuordnung und aus gemischtem Audio erschlossene Diarisierung getrennt. Die Antwort mit kombinierten Kanälen erfordert Zeitstempel und kann weder Entitätserkennung noch Schwärzung enthalten.

Keyterm-Prompting lenkt die Erkennung von Namen, Produktbegriffen und Fachvokabular mithilfe des Kontexts. Die aktuelle Batch-Dokumentation erlaubt bis zu 1.000 Begriffe; jeder Begriff muss unter 50 Zeichen und bei höchstens fünf Wörtern bleiben. Gib relevante Schreibweisen statt eines breiten, sachfremden Katalogs vor. Stelle für ein technisches Interview die voraussichtlich vorkommenden Produktnamen und Abkürzungen bereit und prüfe sie anschließend an ihren Zeitmarken im Ergebnis. Schlüsselbegriffe beeinflussen die Erkennung; sie sind keine Anweisung, einen Begriff einzufügen, den die Aufnahme nicht stützt.

Lege den Zweck des Transkripts vor einer Bereinigung fest. Eine wortgetreue Aufzeichnung bewahrt den gesprochenen Wortlaut, während die dokumentierte Option für nicht wortgetreue Transkription Füllwörter, Satzabbrüche und Sprechunflüssigkeiten für ein besser lesbares Ergebnis entfernt. Dynamisches Audio-Tagging kann nichtsprachliche Ereignisse wie Lachen oder Schritte erkennen. Ein geglättetes Transkript kann für Untertitel oder zum Lesen nützlich sein, sollte aber nicht stillschweigend die Rohaufzeichnung ersetzen, wenn Wiederholungen, Korrekturen oder nichtsprachliche Geräusche für die Aufgabe wichtig sind.

Der Hersteller dokumentiert außerdem Entitätserkennung und experimentelle Transkriptbearbeitung. Die Transkriptbearbeitung lässt sich in der Anbieterschnittstelle nicht mit Entitätserkennung, Entitätsschwärzung oder Mehrkanaltranskription kombinieren. Erkannte Entitäten liefern strukturierte Positionsangaben für ausgewählte Informationen im Transkript. Die optionale Entitätsschwärzung maskiert erkannten Text durch Ersatzkennzeichnungen; sie setzt Entitätserkennung voraus, und bei aktivierter Schwärzung wird die Entitätenliste nicht zurückgegeben. Die Schwärzung erfolgt während der Transkription mit einem generischen Ersatzmarker, einer Kategorienkennzeichnung oder einer nummerierten Kategorienkennzeichnung. Automatische Schwärzung kann sensible Inhalte übersehen; prüfe deshalb das geschwärzte Transkript vor dem Teilen. Eine natürlichsprachliche Bearbeitung liefert neben dem ursprünglichen Ergebnis einen bearbeiteten Text zurück, wobei die ursprünglichen Zeit- und Sprecherinformationen verfügbar bleiben. Halte diese Ergebnisse getrennt: Eine korrigierte Schreibweise oder ein neu formatierter Satz muss möglicherweise erneut geprüft werden, bevor er zeitlich mit dem Audio abgeglichen oder für eine nachgelagerte Extraktion verwendet wird. Diese Funktionen verarbeiten das Transkript; sie belegen nicht, dass jedes wichtige Detail richtig erkannt wurde.

Prüfe für ein fertiges Transkript Namen, Zahlen, Verneinungen und Sprecherwechsel, indem du zu den entsprechenden Audiostellen zurückkehrst. Achte auf leise Abschnitte, Überlagerungen und Sprachwechsel, statt die Qualität nur am flüssigen Text zu beurteilen. Bewahre unsicheren Wortlaut zur Korrektur, anstatt eine unhörbare Passage mit einem plausiblen Satz zu vervollständigen. Das nützliche Ergebnis ist eine geprüfte Textaufzeichnung mit den für ihren Verwendungszweck nötigen Zeit- und Sprecherinformationen; ein Transkript kann anschließend als Eingabe für einen separaten Schritt zur Zusammenfassung, Übersetzung oder Analyse dienen.