ElevenLabs: Scribe v2

ElevenLabs Scribe v2 est le modèle de reconnaissance vocale par lots pour les enregistrements audio, la transcription, le sous-titrage et le sous-titrage accessible. Il s’appuie sur Scribe v1 en améliorant le traitement des enregistrements longs, des pauses, des changements de ton et des silences prolongés. Le résultat est la parole mise par écrit, avec des informations temporelles et des annotations facultatives de locuteur et d’événements audio. Scribe v2 Realtime est une édition distincte de transcription en direct ; ce modèle sert à traiter des enregistrements complets.

L’éditeur documente la reconnaissance dans plus de 90 langues et la détection automatique de la langue, y compris pour les enregistrements qui alternent entre plusieurs langues. Une indication de langue connue peut aider le modèle à interpréter l’audio. Préparez un enregistrement clair, conservez la langue et les noms d’origine et évitez un écrêtage important ou un traitement inutile qui supprime des détails de parole. Les entrées courantes documentées comprennent WAV, MP3, FLAC, M4A, AAC, OGG, Opus et WebM. Choisissez une représentation d’entrée prise en charge par l’implémentation de transcription et conservez l’enregistrement source pour révision.

La réponse standard contient le texte reconnu, des informations sur la langue détectée et une séquence de mots horodatés. Les enregistrements de mots peuvent inclure les heures de début et de fin, des identifiants de locuteur et une log-probabilité de reconnaissance. Ils rendent le résultat utile pour les sous-titres, les interviews consultables par recherche ou un éditeur permettant de revenir au son pertinent. Gardez le résultat horodaté avec l’audio source. Pour un podcast, par exemple, le livrable peut être une transcription modifiable et un relevé aligné sur les mots qui permet de localiser les corrections avant d’organiser les sous-titres.

La diarisation des locuteurs indique qui parle et quand dans un audio à plusieurs locuteurs, jusqu’à 32 locuteurs selon la documentation de l’éditeur. Activez-la lorsque les tours de parole sont importants, et fournissez un nombre raisonnable de locuteurs si cette information est connue. Distinguez une étiquette de locuteur détectée du nom d’une personne vérifiée. Pour une interview ou une réunion, vérifiez les changements de tour de parole dans l’enregistrement, particulièrement lorsque les voix se chevauchent ou se ressemblent. Une étiquette aide à organiser la transcription ; elle n’établit pas, à elle seule, l’identité du locuteur.

Un enregistrement avec un locuteur par canal a une structure différente de plusieurs voix mixées sur un seul canal. L’interface de l’éditeur peut traiter jusqu’à cinq canaux indépendamment et renvoyer des transcriptions séparées ou une transcription combinée ordonnée dans le temps, avec des indices de canal. Conservez cette disposition des canaux lorsqu’elle a du sens. Fusionner les canaux séparés d’un enregistrement d’appel avant la transcription peut supprimer une source utile d’informations sur les locuteurs. Distinguez l’attribution fondée sur les canaux de la diarisation inférée à partir d’un audio mixé. La réponse combinant les canaux exige des horodatages et ne peut pas inclure la détection ou le masquage d’entités.

Les indications de termes clés guident la reconnaissance des noms, des termes produit et du vocabulaire spécialisé à l’aide du contexte. La documentation actuelle du traitement par lots autorise jusqu’à 1 000 termes, chacun de moins de 50 caractères et d’au plus cinq mots. Fournissez les orthographes pertinentes plutôt qu’un vaste catalogue sans rapport. Pour une interview technique, fournissez les noms de produits et les abréviations susceptibles d’apparaître, puis inspectez-les à leurs repères temporels dans le résultat. Les termes clés orientent la reconnaissance ; ce ne sont pas des instructions d’insérer un terme que l’enregistrement n’étaye pas.

Choisissez la finalité de la transcription avant d’appliquer un nettoyage. Une transcription mot à mot conserve la formulation prononcée, tandis que l’option documentée no-verbatim supprime les mots de remplissage, les faux départs et les disfluences pour un résultat plus lisible. Le balisage audio dynamique peut identifier des événements non vocaux comme les rires ou les pas. Une transcription soignée peut être utile pour les sous-titres ou la lecture, mais elle ne doit pas remplacer silencieusement le relevé brut lorsque les répétitions, les corrections ou les sons non vocaux sont importants pour la tâche.

L’éditeur documente également la détection d’entités et l’édition expérimentale de transcriptions. L’édition de transcription ne peut pas être combinée avec la détection d’entités, le masquage d’entités ou la transcription multicanal dans l’interface de l’éditeur. Les entités détectées fournissent des positions structurées pour certaines informations dans la transcription. Le masquage facultatif des entités remplace le texte détecté par des libellés ; il dépend de la détection d’entités, et la liste des entités n’est pas renvoyée lorsque le masquage est activé. Le masquage a lieu pendant la transcription, avec un marqueur générique de remplacement, un libellé de catégorie ou un libellé de catégorie numéroté. Le masquage automatisé peut manquer des contenus sensibles ; inspectez donc la transcription masquée avant de la partager. Une modification en langage naturel renvoie un texte modifié à côté du résultat original, en laissant disponibles les repères temporels et le relevé de locuteurs d’origine. Gardez ces livrables distincts : une orthographe corrigée ou une phrase remise en forme peut nécessiter une nouvelle vérification avant son alignement sur l’audio ou son utilisation dans une extraction en aval. Ces fonctions traitent la transcription ; elles n’établissent pas que chaque détail important a été correctement reconnu.

Pour une transcription achevée, vérifiez les noms, les nombres, les négations et les changements de locuteur en revenant à l’audio correspondant. Prêtez attention aux passages à faible volume, aux chevauchements et aux changements de langue plutôt que de juger la qualité uniquement à la fluidité du texte. Conservez les formulations incertaines pour correction plutôt que de compléter un passage inaudible par une phrase plausible. Le résultat utile est un relevé textuel vérifié, avec les informations temporelles et de locuteur nécessaires à son usage prévu ; une transcription peut ensuite devenir l’entrée d’une étape distincte de synthèse, de traduction ou d’analyse.