ElevenLabs: Scribe v2

ElevenLabs Scribe v2 es el modelo de reconocimiento de voz por lotes para audio grabado, transcripción y subtitulado. Amplía Scribe v1 con un mejor tratamiento de grabaciones largas, pausas, cambios de tono y silencios prolongados. El resultado es el habla escrita con información temporal y anotaciones opcionales de hablantes y eventos de audio. Scribe v2 Realtime es una edición separada de transcripción en directo; 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 el procesamiento innecesario que elimine detalles del habla. Entre las entradas habituales documentadas figuran 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 sobre el 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 consultables o un editor que vuelva al sonido pertinente. Conserva el resultado temporal junto al audio fuente. Para un pódcast, por ejemplo, el resultado puede ser una transcripción editable y un registro alineado por palabras que permita localizar correcciones antes de organizar los subtítulos.

La diarización etiqueta quién habla y cuándo en audio con varios hablantes; el fabricante documenta hasta 32 hablantes. Actívala cuando los turnos sean importantes y proporciona un número razonable de hablantes si se conoce esa información. Distingue una etiqueta de hablante detectada del nombre verificado de una persona. Para una entrevista o reunión, revisa los cambios de turno contra la grabación, especialmente cuando las voces se superpongan o suenen 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 distinta 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 disposición de canales cuando sea significativa. Mezclar una grabación de llamada separada en canales antes de transcribirla puede descartar una fuente útil de información sobre los hablantes. Mantén la atribución por canal separada de la diarización inferida de audio mezclado. La respuesta combinada de canales requiere marcas de tiempo y no puede incluir detección ni ocultación de entidades.

La indicación de términos clave orienta el reconocimiento de nombres, términos de producto y vocabulario especializado mediante el 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 las grafías pertinentes en lugar de un catálogo amplio sin relación. Para una entrevista técnica, facilita los nombres de productos y las abreviaturas que probablemente aparezcan y después inspecciónalos en sus marcas de tiempo del resultado. Los términos clave sesgan 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, comienzos fallidos y disfluencias para ofrecer un resultado más legible. El etiquetado dinámico de audio puede identificar eventos no verbales como risas o pasos. Una transcripción pulida puede resultar útil para subtítulos o lectura, pero no debe sustituir silenciosamente al registro original cuando las repeticiones, correcciones o sonidos no verbales sean importantes para la tarea.

El fabricante también documenta detección de entidades y edición experimental de transcripciones. En la interfaz del productor, la edición de transcripciones no puede combinarse con detección de entidades, ocultación de entidades ni transcripción multicanal. Las entidades detectadas proporcionan posiciones estructuradas de información seleccionada en la transcripción. La ocultación 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 se activa la ocultación. La ocultación se realiza durante la transcripción, utilizando un marcador genérico de sustitución, una etiqueta de categoría o una etiqueta de categoría numerada. La ocultación automática puede pasar por alto contenido sensible, así que inspecciona la transcripción anonimizada antes de compartirla. Una edición en lenguaje natural devuelve texto editado junto al resultado original, manteniendo disponibles el registro temporal y el de hablantes originales. Conserva esos artefactos separados: una grafía corregida o una frase reformateada pueden necesitar una nueva comprobación antes de alinearse con el audio o utilizarse en una extracción posterior. Estas funciones procesan la transcripción; no demuestran 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 bajo volumen, las superposiciones y los cambios de idioma, en lugar de valorar la calidad solo por la fluidez del texto. Conserva las expresiones inciertas para corregirlas, en lugar de completar un pasaje inaudible con una frase plausible. El resultado útil es un registro textual comprobado con la información temporal y de hablantes necesaria para su uso previsto; después, una transcripción puede convertirse en entrada de un paso separado de resumen, traducción o análisis.