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.
", "aboutText": "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.\n\nEl 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.\n\nLa 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.\n\nLa 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.\n\nUna 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.\n\nLos 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.\n\nElige 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.\n\nEl 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.\n\nPara 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "59babd4de08bac1bd5218701da6258e21d3caf433fc6e0efc1cd93ec0a6af45d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es-mx", "methods": [ { "html": "elevenlabs/scribe-v2ElevenLabs Scribe v2 transcribe audio grabado en más de 90 idiomas, con tiempos por palabra, diarización opcional de hablantes y etiquetas de eventos no verbales. Está diseñado para grabaciones largas, subtítulos y transcripciones editables, con términos clave contextuales y opciones de transcripción literal o depurada.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
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.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites elevenlabs/scribe-v2 | Predeterminado— |
Campoinput_audio | Tipoobject | RequisitoObligatorio | Valores y límites | Predeterminado— |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input_audio |
Parámetromaterial_types | Contratoaudio |
Parámetromaterial_conditions | ContratoEl ejemplo lee tu archivo PCM WAV real y no vacío, codifica todos sus bytes en base64 y envía input_audio.format con el valor wav. |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id exacto de un registro multimedia existente que te pertenece
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Unidad de facturación | Cargo |
|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Unidad de facturación— | Cargo Entrada · Tokens de entrada — / 1K tokens Salida · Tokens de salida — / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| Configuraciónsegundo de audio de entrada | Tabla de tarifas— | Unidad de facturaciónpor segundo de audio de entrada | Cargo Entrada · segundo de audio de entrada $0.0001222222222222 por segundo de audio de entrada |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${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.\nCuerpo completo de la respuesta original, estado y encabezados reenviados. Este manejador no agrega una estructura JSON universal, un campo de texto ni una estructura contenedora de tareas.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva la respuesta completa y los encabezados, todas las salidas reales, los identificadores originales devueltos y todos los campos de uso. Recupera la operación original sin volver a enviar la solicitud de creación.
Conserva el X-Client-Request-ID real y la respuesta completa. Consulta los recursos originales que te pertenecen y sus URL exactas de contenido firmadas; nunca vuelvas a enviar una creación incierta.
| Campo | Tipo |
|---|---|
Campotext (when present) | Tipo |
Campousage (when present) | Tipo |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónEl cuerpo JSON o el ID canónico explícito del modelo no son válidos. | Siguiente pasoConserva la respuesta y corrige el campo indicado de la solicitud. |
Respuesta401 · authentication_error | CondiciónLa clave API de Ailoot no es válida. | Siguiente pasoUsa tu clave API autorizada de Ailoot. |
Respuesta403 · permission_error | CondiciónEl grupo de la clave no admite este método. | Siguiente pasoConserva los detalles del error devueltos. |
Respuesta404 · not_found_error | CondiciónEl método seleccionado no tiene una ruta admitida. | Siguiente pasoConserva los detalles del error devueltos. |
Respuesta422 · price_unavailable | CondiciónLa tarifa aceptada no puede obtener la cantidad de entrada o el límite que requiere. | Siguiente pasoConserva la respuesta; usa la representación de entrada que requiere la tarifa aceptada. |
Respuesta503 · | CondiciónEl almacenamiento requerido, la ruta, el precio del método o la reserva de fondos no están disponibles. | Siguiente pasoConserva la respuesta original completa. Una reserva incierta no autoriza un reenvío. |
Respuesta502 · server_error | CondiciónEl resultado original, el uso o la liquidación del cargo requieren verificación. | Siguiente pasoConserva el ID real de solicitud y la respuesta original. Consulta el registro existente que te pertenece; no vuelvas a enviar la creación. |
Ailoot Ultra elevenlabs/scribe-v2
Usa las rutas de método indicadas arriba.