ElevenLabs: Scribe v2

ElevenLabs Scribe v2 est le modèle de reconnaissance vocale par lots pour l’audio enregistré, la transcription et le sous-titrage. Il reprend Scribe v1 en améliorant le traitement des longs enregistrements, des pauses, des changements de ton et des silences prolongés. Le résultat est la parole écrite, avec des informations de minutage et des annotations facultatives de locuteurs et d’événements audio. Scribe v2 Realtime est une édition distincte de transcription en direct ; ce modèle sert à traiter des enregistrements complets.

Le concepteur documente la reconnaissance de plus de 90 langues et la détection automatique de langue, y compris pour les enregistrements changeant de langue. Une indication de langue connue peut aider le modèle à interpréter l’audio. Préparez un enregistrement clair, conservez la langue et les noms originaux, et évitez l’écrêtage important ou les traitements inutiles qui retirent 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 préservez l’enregistrement source pour la relecture.

La réponse standard contient le texte reconnu, les informations de langue détectée et une séquence de mots minutés. Les enregistrements de mots peuvent inclure les heures de début et de fin, les identifiants de locuteur et une log-probabilité de reconnaissance. Cela rend le résultat utile pour les sous-titres, les entretiens consultables par recherche ou un éditeur revenant au son pertinent. Gardez le résultat minuté avec l’audio source. Pour un podcast, par exemple, le livrable peut être une transcription modifiable et un enregistrement aligné sur les mots permettant de localiser les corrections avant de composer les sous-titres.

La diarisation indique qui parle et quand dans un audio à plusieurs locuteurs, le concepteur en documentant jusqu’à 32. Activez-la lorsque les tours de parole sont importants, et fournissez un nombre raisonnable de locuteurs si cette information est connue. Distinguez un libellé de locuteur détecté du nom d’une personne vérifiée. Pour un entretien ou une réunion, vérifiez les changements de tour dans l’enregistrement, surtout lorsque les voix se chevauchent ou se ressemblent. Un libellé aide à organiser la transcription ; il n’établit pas seul l’identité du locuteur.

Un enregistrement avec un locuteur par canal a une structure différente de plusieurs voix mixées dans un seul canal. L’interface du producteur peut traiter jusqu’à cinq canaux indépendamment et renvoyer des transcriptions séparées ou une transcription combinée dans l’ordre temporel, avec des index de canal. Préservez cette disposition des canaux lorsqu’elle est significative. Aplatir un enregistrement d’appel séparé avant transcription peut supprimer une source utile d’informations sur les locuteurs. Distinguez l’attribution par canal de la diarisation déduite d’un audio mixé. La réponse combinant les canaux exige des horodatages et ne peut inclure ni détection ni masquage des entités.

Le guidage par termes clés oriente la reconnaissance des noms, des termes de 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 de cinq mots au maximum. Fournissez les orthographes pertinentes plutôt qu’un vaste catalogue sans rapport. Pour un entretien technique, fournissez les noms de produits et abréviations susceptibles d’apparaître, puis examinez-les à leurs horodatages dans le résultat. Les termes clés orientent la reconnaissance ; ce ne sont pas des instructions pour insérer un terme que l’enregistrement n’étaye pas.

Choisissez l’objectif de la transcription avant de la nettoyer. Un enregistrement verbatim conserve la formulation orale, tandis que l’option documentée no-verbatim retire les mots de remplissage, les faux départs et les disfluences pour un résultat plus lisible. L’étiquetage 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 l’enregistrement brut lorsque les répétitions, corrections ou sons non vocaux sont importants pour la tâche.

Le concepteur documente également la détection d’entités et la modification expérimentale des transcriptions. La modification de transcription ne peut être combinée avec la détection d’entités, le masquage d’entités ou la transcription multicanal dans l’interface du producteur. Les entités détectées fournissent des positions structurées pour certaines informations de la transcription. Le masquage facultatif remplace le texte détecté par des libellés ; il dépend de la détection d’entités, et la liste d’entités n’est pas renvoyée lorsqu’il est activé. Le masquage intervient pendant la transcription, avec un marqueur de remplacement générique, un libellé de catégorie ou un libellé de catégorie numéroté. Le masquage automatique peut manquer des contenus sensibles ; examinez donc la transcription masquée avant de la partager. Une modification en langage naturel renvoie un texte modifié avec le résultat original, en gardant disponible le minutage et l’enregistrement des locuteurs d’origine. Gardez ces livrables distincts : une orthographe 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 fonctionnalités traitent la transcription ; elles ne prouvent pas que chaque détail important a été correctement reconnu.

Pour une transcription achevée, vérifiez les noms, nombres, négations et changements de locuteur en revenant à l’audio correspondant. Soyez attentif aux passages faibles, aux chevauchements et aux changements de langue, plutôt que de juger la qualité uniquement sur la fluidité du texte. Conservez les formulations incertaines à corriger plutôt que de compléter un passage inaudible par une phrase plausible. Le résultat utile est un enregistrement textuel vérifié, avec le minutage et les informations de locuteur nécessaires à l’usage prévu ; une transcription peut ensuite servir d’entrée à une étape distincte de synthèse, de traduction ou d’analyse.