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 pour personnes sourdes et malentendantes. Il s’appuie sur Scribe v1 en améliorant le traitement des longs enregistrements, des pauses, des changements de ton et des silences prolongés. Il produit les paroles écrites avec des renseignements d’horodatage et des annotations facultatives des locuteurs et des événements audio. Scribe v2 Realtime est une édition distincte de transcription en direct; ce modèle sert à traiter des enregistrements complets.

Le fabricant documente la reconnaissance dans plus de 90 langues et la détection automatique de la langue, y compris pour les enregistrements où l’on alterne 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 l’écrêtage important ou les traitements inutiles qui éliminent des détails de la parole. Les formats d’entrée courants documentés 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 la révision.

La réponse standard contient le texte reconnu, les renseignements sur la langue détectée et une séquence de mots horodatés. Les enregistrements de mots peuvent comprendre les heures de début et de fin, les identifiants de locuteurs et une log-probabilité de reconnaissance. Ces données rendent le résultat utile pour les sous-titres, les entrevues consultables par recherche ou un éditeur qui permet de revenir au son pertinent. Conservez le résultat horodaté avec l’audio source. Pour un balado, par exemple, le livrable peut être une transcription modifiable et un relevé aligné sur les mots qui aide à retrouver les corrections avant d’organiser les sous-titres.

La diarisation des locuteurs indique qui parle et à quel moment dans un audio comportant plusieurs locuteurs; le fabricant documente jusqu’à 32 locuteurs. Activez-la lorsque les tours de parole sont importants et fournissez un nombre raisonnable de locuteurs si vous le connaissez. Distinguez une étiquette de locuteur détectée du nom vérifié d’une personne. Pour une entrevue ou une réunion, vérifiez les changements de tour dans l’enregistrement, surtout lorsque des 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 présente une structure différente de plusieurs voix mixées sur un même canal. L’interface du fournisseur peut traiter jusqu’à cinq canaux indépendamment et retourner des transcriptions séparées ou une transcription combinée classée dans l’ordre temporel, avec les indices des canaux. Conservez cette disposition des canaux lorsqu’elle est pertinente. La fusion préalable des canaux d’un enregistrement d’appel peut éliminer une source utile de renseignements sur les locuteurs. Distinguez l’attribution fondée sur les canaux de la diarisation inférée à partir d’un audio mixé. La réponse qui combine les canaux exige des horodatages et ne peut pas inclure la détection ni le caviardage d’entités.

La consigne par termes clés guide, à l’aide du contexte, la reconnaissance des noms, des termes de produits et du vocabulaire spécialisé. La documentation actuelle du traitement par lots autorise jusqu’à 1 000 termes, chacun devant compter moins de 50 caractères et au plus cinq mots. Fournissez les graphies pertinentes plutôt qu’un vaste catalogue sans rapport avec la tâche. Pour une entrevue technique, fournissez les noms de produits et les abréviations susceptibles d’apparaître, puis vérifiez-les à leurs repères temporels dans le résultat. Les termes clés orientent la reconnaissance; ils ne demandent pas d’insérer un terme que l’enregistrement ne justifie pas.

Choisissez l’usage de la transcription avant d’appliquer une épuration. Une transcription mot à mot conserve la formulation orale, tandis que l’option documentée de transcription non littérale élimine les mots de remplissage, les faux départs et les disfluences pour rendre le 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 discrètement le relevé brut lorsque les répétitions, les corrections ou les sons non vocaux sont importants pour la tâche.

Le fabricant documente également la détection d’entités et la modification expérimentale des transcriptions. Dans l’interface du fournisseur, la modification des transcriptions ne peut pas être combinée à la détection d’entités, au caviardage d’entités ni à la transcription multicanal. Les entités détectées fournissent des positions structurées pour certaines informations de la transcription. Le caviardage facultatif des entités masque le texte détecté avec des étiquettes de remplacement; il dépend de la détection d’entités, et la liste des entités n’est pas retournée lorsque le caviardage est activé. Le caviardage a lieu pendant la transcription, à l’aide d’un marqueur de remplacement générique, d’une étiquette de catégorie ou d’une étiquette de catégorie numérotée. Le caviardage automatique peut manquer du contenu sensible; vérifiez donc la transcription caviardée avant de la partager. Une modification formulée en langage naturel retourne un texte modifié avec le résultat original, en laissant disponibles l’horodatage et le relevé des locuteurs d’origine. Gardez ces livrables distincts : une graphie corrigée ou une phrase remise en forme peut nécessiter une nouvelle vérification avant d’être alignée sur l’audio ou utilisée dans une extraction en aval. Ces fonctions traitent la transcription; elles n’établissent pas que chaque détail important a été reconnu correctement.

Pour terminer une transcription, vérifiez les noms, les nombres, les négations et les changements de locuteur en revenant aux passages audio correspondants. Portez attention aux segments de faible volume, aux chevauchements et aux alternances de langue au lieu de juger la qualité uniquement sur la fluidité du texte. Conservez les formulations incertaines pour les corriger plutôt que de compléter un passage inaudible avec une phrase plausible. Le résultat utile est un relevé textuel vérifié, avec les renseignements d’horodatage et de locuteurs nécessaires à son usage prévu; une transcription peut ensuite servir d’entrée à une étape distincte de résumé, de traduction ou d’analyse.