ElevenLabs: Scribe v2

ElevenLabs Scribe v2 adalah model pengenalan ujaran batch untuk audio rekaman, transkripsi, subtitel, dan takarir. Model melanjutkan Scribe v1 dengan peningkatan penanganan rekaman panjang, jeda, perubahan nada, dan keheningan panjang. Hasilnya berupa ujaran tertulis dengan informasi waktu serta anotasi pembicara dan kejadian audio opsional. Scribe v2 Realtime adalah edisi transkripsi langsung terpisah; tujuan model ini adalah memproses rekaman lengkap.

Pembuat mendokumentasikan pengenalan lebih dari 90 bahasa dan deteksi bahasa otomatis, termasuk rekaman yang berganti bahasa. Petunjuk bahasa yang diketahui dapat membantu model menafsirkan audio. Siapkan rekaman jelas, pertahankan bahasa asli dan nama, serta hindari distorsi berat akibat pemotongan amplitudo atau pemrosesan tak perlu yang menghapus detail ujaran. Masukan umum yang didokumentasikan mencakup WAV, MP3, FLAC, M4A, AAC, OGG, Opus, dan WebM. Pilih representasi masukan yang didukung implementasi transkripsi dan pertahankan rekaman sumber untuk peninjauan.

Respons standar berisi teks yang dikenali, informasi bahasa terdeteksi, dan urutan kata dengan penanda waktu. Rekaman kata dapat mencakup waktu mulai dan akhir, identifikator pembicara, serta log-probabilitas pengenalan. Ini membuat hasil berguna untuk subtitel, wawancara yang dapat dicari, atau penyunting yang melompat kembali ke suara terkait. Simpan hasil berpenanda waktu bersama audio sumber. Untuk podcast, misalnya, hasilnya dapat berupa transkrip yang dapat disunting dan rekaman data selaras per kata yang mendukung pencarian lokasi koreksi sebelum menyusun takarir.

Diarisasi pembicara memberi label siapa berbicara dan kapan dalam audio beberapa pembicara, dengan hingga 32 pembicara yang didokumentasikan pembuat. Aktifkan ketika giliran pembicara penting, dan berikan jumlah pembicara yang wajar jika informasi itu diketahui. Bedakan label pembicara terdeteksi dari nama orang yang terverifikasi. Untuk wawancara atau rapat, tinjau pergantian giliran terhadap rekaman, terutama ketika suara tumpang tindih atau terdengar mirip. Label membantu menyusun transkrip; label tidak membuktikan identitas pembicara secara mandiri.

Rekaman dengan satu pembicara per kanal memiliki struktur berbeda dari beberapa suara yang dicampur dalam satu kanal. Antarmuka pembuat dapat memproses hingga lima kanal secara independen dan mengembalikan transkrip terpisah atau transkrip gabungan berurutan waktu, dengan indeks kanal. Pertahankan susunan kanal itu ketika bermakna. Meratakan rekaman panggilan dengan kanal terpisah sebelum transkripsi dapat membuang sumber informasi pembicara yang berguna. Bedakan atribusi berbasis kanal dari diarisasi hasil inferensi audio campuran. Respons kanal gabungan memerlukan penanda waktu dan tidak dapat menyertakan deteksi atau penyamaran entitas.

Prompt istilah kunci memandu pengenalan nama, istilah produk, dan kosakata khusus menggunakan konteks. Dokumentasi batch saat ini mengizinkan hingga 1.000 istilah, dengan setiap istilah kurang dari 50 karakter dan paling banyak lima kata. Berikan ejaan relevan, bukan katalog luas yang tidak terkait. Untuk wawancara teknis, berikan nama produk dan singkatan yang mungkin muncul, lalu periksa pada penanda waktunya dalam hasil. Istilah kunci mengarahkan pengenalan; istilah itu bukan instruksi untuk menyisipkan kata ketika rekaman tidak mendukungnya.

Pilih tujuan transkrip sebelum merapikannya. Rekaman verbatim mempertahankan redaksi lisan, sedangkan opsi no-verbatim yang didokumentasikan menghapus kata pengisi, awal ujaran yang dibatalkan, dan ketidaklancaran agar hasil lebih mudah dibaca. Penandaan audio dinamis dapat mengidentifikasi kejadian nonujar seperti tawa atau langkah kaki. Transkrip yang dirapikan dapat berguna untuk takarir atau bacaan, tetapi tidak boleh diam-diam menggantikan catatan mentah ketika pengulangan, koreksi, atau suara nonujar penting bagi tugas.

Pembuat juga mendokumentasikan deteksi entitas dan penyuntingan transkrip eksperimental. Penyuntingan transkrip tidak dapat digabungkan dengan deteksi entitas, penyamaran entitas, atau transkripsi multikanal dalam antarmuka pembuat. Entitas terdeteksi memberikan posisi terstruktur untuk informasi tertentu dalam transkrip. Penyamaran entitas opsional menutupi teks terdeteksi dengan label pengganti; fitur ini bergantung pada deteksi entitas, dan daftar entitas tidak dikembalikan ketika penyamaran diaktifkan. Penyamaran terjadi selama transkripsi, memakai penanda pengganti umum, label kategori, atau label kategori bernomor. Penyamaran otomatis dapat melewatkan isi sensitif, sehingga periksa transkrip tersamarkan sebelum membagikannya. Penyuntingan bahasa alami mengembalikan teks yang disunting bersama hasil asli, dengan catatan waktu dan pembicara asli tetap tersedia. Bedakan artefak tersebut: ejaan yang dikoreksi atau kalimat yang diformat ulang mungkin memerlukan pemeriksaan baru sebelum diselaraskan dengan audio atau dipakai dalam ekstraksi lanjutan. Fitur ini memproses transkrip; fitur tersebut tidak membuktikan bahwa setiap detail penting dikenali dengan benar.

Untuk transkrip selesai, tinjau nama, angka, negasi, dan pergantian pembicara dengan kembali ke audio terkait. Perhatikan bagian pelan, tumpang tindih, dan pergantian bahasa, alih-alih menilai mutu hanya dari teks yang lancar. Pertahankan redaksi tidak pasti untuk dikoreksi, alih-alih melengkapi kutipan tidak terdengar dengan kalimat yang masuk akal. Hasil yang berguna adalah catatan teks terperiksa dengan informasi waktu dan pembicara yang diperlukan untuk tujuan penggunaannya; transkrip kemudian dapat menjadi masukan bagi tahap peringkasan, penerjemahan, atau analisis terpisah.