ElevenLabs: Scribe v2

ElevenLabs Scribe v2 es el modelo de reconocimiento de voz por lotes para audio grabado, transcripción y subtitulado, incluidos subtítulos de accesibilidad. Se basa en Scribe v1 y mejora el manejo de grabaciones largas, pausas, cambios de tono y silencios prolongados. El resultado es habla escrita con información de tiempos y anotaciones opcionales de hablantes y eventos de audio. Scribe v2 Realtime es una edición separada de transcripción en vivo; el propósito de este modelo es procesar grabaciones completas.

El fabricante documenta reconocimiento en más de 90 idiomas y detección automática del idioma, incluidas grabaciones que alternan entre idiomas. Una indicación del idioma conocido puede ayudar al modelo a interpretar el audio. Prepara una grabación clara, conserva el idioma y los nombres originales y evita la saturación grave o un procesamiento innecesario que elimine detalles del habla. Las entradas comunes documentadas incluyen WAV, MP3, FLAC, M4A, AAC, OGG, Opus y WebM. Elige una representación de entrada admitida por la implementación de transcripción y conserva la grabación fuente para revisarla.

La respuesta estándar contiene el texto reconocido, información del idioma detectado y una secuencia de palabras con tiempos. Los registros de palabras pueden incluir tiempos de inicio y fin, identificadores de hablantes y una log-probabilidad de reconocimiento. Esto hace útil el resultado para subtítulos, entrevistas con búsqueda o un editor que vuelva al sonido pertinente. Conserva el resultado con tiempos junto con el audio fuente. Para un podcast, por ejemplo, el entregable puede ser una transcripción editable y un registro alineado por palabra que ayude a localizar correcciones antes de organizar los subtítulos.

La diarización de hablantes etiqueta quién habla y cuándo en audio con varios hablantes, con hasta 32 hablantes documentados por el fabricante. Habilítala cuando los turnos de habla importen y proporciona una cantidad razonable de hablantes si conoces esa información. Distingue una etiqueta detectada de hablante del nombre verificado de una persona. Para una entrevista o reunión, revisa los cambios de turno contra la grabación, especialmente donde las voces se superponen o suenan similares. Una etiqueta ayuda a organizar la transcripción; no establece por sí sola la identidad del hablante.

Una grabación con un hablante por canal tiene una estructura diferente de varias voces mezcladas en un canal. La interfaz del productor puede procesar hasta cinco canales de forma independiente y devolver transcripciones separadas o una transcripción combinada ordenada por tiempo, con índices de canal. Conserva esa distribución de canales cuando sea significativa. Mezclar los canales de una llamada grabada por separado antes de transcribirla puede descartar una fuente útil de información sobre hablantes. Mantén separada la atribución por canal de la diarización inferida a partir de audio mezclado. La respuesta de canales combinados requiere marcas de tiempo y no puede incluir detección ni ocultamiento de entidades.

Los prompts con términos clave guían el reconocimiento de nombres, términos de productos y vocabulario especializado mediante contexto. La documentación actual por lotes permite hasta 1,000 términos, cada uno con menos de 50 caracteres y un máximo de cinco palabras. Proporciona grafías pertinentes en lugar de un catálogo amplio sin relación. Para una entrevista técnica, proporciona los nombres de productos y las abreviaturas que probablemente aparezcan y después inspecciónalos en sus marcas de tiempo del resultado. Los términos clave orientan el reconocimiento; no son instrucciones para insertar un término cuando la grabación no lo respalda.

Elige el propósito de la transcripción antes de depurarla. Un registro literal conserva las palabras pronunciadas, mientras que la opción documentada no-verbatim elimina muletillas, inicios fallidos y disfluencias para un resultado más legible. El etiquetado dinámico de audio puede identificar eventos no verbales como risas o pasos. Una transcripción pulida puede ser útil para subtítulos o lectura, pero no debe sustituir silenciosamente al registro sin procesar cuando las repeticiones, correcciones o sonidos no verbales importen para la tarea.

El fabricante también documenta detección de entidades y edición experimental de transcripciones. La edición de transcripciones no puede combinarse con detección de entidades, ocultamiento de entidades ni transcripción multicanal en la interfaz del productor. Las entidades detectadas proporcionan posiciones estructuradas de cierta información en la transcripción. El ocultamiento opcional de entidades enmascara el texto detectado con etiquetas de sustitución; depende de la detección de entidades, y la lista de entidades no se devuelve cuando el ocultamiento está habilitado. El ocultamiento ocurre durante la transcripción y usa un marcador de sustitución genérico, una etiqueta de categoría o una etiqueta de categoría numerada. El ocultamiento automático puede pasar por alto contenido sensible, así que inspecciona la transcripción ocultada antes de compartirla. Una edición en lenguaje natural devuelve un texto editado junto con el resultado original y mantiene disponible el registro original de tiempos y hablantes. Mantén separados esos entregables: una grafía corregida o una oración reformateada puede necesitar una nueva comprobación antes de alinearla con el audio o usarla en una extracción posterior. Estas funciones procesan la transcripción; no establecen que todos los detalles importantes se hayan reconocido correctamente.

Para una transcripción terminada, revisa nombres, números, negaciones y cambios de hablante volviendo al audio correspondiente. Presta atención a las secciones de volumen bajo, las superposiciones y los cambios de idioma, en lugar de juzgar la calidad solo por la fluidez del texto. Conserva la redacción incierta para corregirla, en vez de completar un pasaje inaudible con una oración plausible. El resultado útil es un registro textual comprobado con los tiempos y la información de hablantes necesarios para su uso previsto; después, una transcripción puede servir como entrada de un paso separado de resumen, traducción o análisis.