ElevenLabs: Scribe v2

ElevenLabs Scribe v2 è il modello di riconoscimento vocale in batch per registrazioni audio, trascrizione e sottotitolazione, anche con indicazioni dei suoni. Si basa su Scribe v1, migliorando la gestione delle registrazioni lunghe, delle pause, dei cambi di tono e dei silenzi prolungati. Il risultato è il parlato in forma scritta con riferimenti temporali e annotazioni facoltative sui parlanti e sugli eventi audio. Scribe v2 Realtime è un’edizione separata per la trascrizione dal vivo; lo scopo di questo modello è elaborare registrazioni complete.

Il produttore documenta il riconoscimento in oltre 90 lingue e il rilevamento automatico della lingua, comprese le registrazioni in cui si passa da una lingua all’altra. Un’indicazione della lingua conosciuta può aiutare il modello a interpretare l’audio. Prepara una registrazione chiara, conserva la lingua originale e i nomi ed evita clipping marcato o elaborazioni superflue che rimuovono dettagli del parlato. Gli input comuni documentati comprendono WAV, MP3, FLAC, M4A, AAC, OGG, Opus e WebM. Scegli una rappresentazione dell’input supportata dall’implementazione della trascrizione e conserva la registrazione originale per la revisione.

La risposta standard contiene il testo riconosciuto, informazioni sulla lingua rilevata e una sequenza di parole con riferimenti temporali. I record delle parole possono includere tempi di inizio e fine, identificatori dei parlanti e una log-probabilità di riconoscimento. Questi elementi rendono il risultato utile per sottotitoli, interviste ricercabili o un editor che consenta di tornare al suono pertinente. Conserva il risultato temporizzato insieme all’audio originale. Per un podcast, ad esempio, il risultato consegnabile può essere una trascrizione modificabile e un record allineato parola per parola che permetta di individuare le correzioni prima di organizzare i sottotitoli.

La diarizzazione etichetta chi parla e quando nell’audio con più parlanti; il produttore documenta fino a 32 parlanti. Attivala quando i turni di parola sono importanti e indica un numero ragionevole di parlanti se questa informazione è nota. Distingui un’etichetta rilevata dal nome di una persona verificata. Per un’intervista o una riunione, controlla i cambi di turno rispetto alla registrazione, soprattutto quando le voci si sovrappongono o sono simili. Un’etichetta aiuta a organizzare la trascrizione; non stabilisce autonomamente l’identità del parlante.

Una registrazione con un parlante per canale ha una struttura diversa da più voci mescolate in un solo canale. L’interfaccia del produttore può elaborare fino a cinque canali in modo indipendente e restituire trascrizioni separate oppure una trascrizione combinata ordinata temporalmente, con gli indici dei canali. Conserva questa disposizione dei canali quando è significativa. Unire i canali di una chiamata registrata separatamente prima della trascrizione può eliminare una fonte utile di informazioni sui parlanti. Distingui l’attribuzione basata sui canali dalla diarizzazione dedotta dall’audio misto. La risposta con i canali combinati richiede riferimenti temporali e non può includere il rilevamento o l’oscuramento delle entità.

Il prompting con termini chiave orienta il riconoscimento di nomi, termini di prodotto e vocabolario specialistico tramite il contesto. L’attuale documentazione batch consente fino a 1.000 termini, ciascuno di meno di 50 caratteri e al massimo cinque parole. Fornisci grafie pertinenti anziché un ampio catalogo non attinente. Per un’intervista tecnica, indica i nomi dei prodotti e le abbreviazioni che potrebbero comparire, quindi controllali nei rispettivi punti temporali del risultato. I termini chiave influenzano il riconoscimento; non sono istruzioni per inserire un termine quando la registrazione non lo giustifica.

Scegli lo scopo della trascrizione prima di ripulirla. Una trascrizione letterale conserva le parole pronunciate, mentre l’opzione documentata non letterale rimuove riempitivi, false partenze e disfluenze per ottenere un risultato più leggibile. Il tagging audio dinamico può identificare eventi non vocali come risate o passi. Una trascrizione rifinita può essere utile per i sottotitoli o la lettura, ma non deve sostituire silenziosamente il record originale quando ripetizioni, correzioni o suoni non vocali sono importanti per il compito.

Il produttore documenta anche il rilevamento delle entità e la modifica sperimentale della trascrizione. Nell’interfaccia del produttore, la modifica della trascrizione non può essere combinata con il rilevamento delle entità, il loro oscuramento o la trascrizione multicanale. Le entità rilevate forniscono posizioni strutturate per determinate informazioni nella trascrizione. L’oscuramento facoltativo maschera il testo rilevato con etichette sostitutive; dipende dal rilevamento delle entità e, quando è attivo, l’elenco delle entità non viene restituito. L’oscuramento avviene durante la trascrizione, utilizzando un marcatore sostitutivo generico, un’etichetta di categoria o un’etichetta di categoria numerata. L’oscuramento automatico può non rilevare contenuti sensibili, quindi controlla la trascrizione oscurata prima di condividerla. Una modifica in linguaggio naturale restituisce un testo modificato accanto al risultato originale, lasciando disponibile il record originale dei tempi e dei parlanti. Mantieni distinti questi risultati: una grafia corretta o una frase riformattata può richiedere un nuovo controllo prima di essere allineata all’audio o utilizzata in un’estrazione successiva. Queste funzioni elaborano la trascrizione; non dimostrano che ogni dettaglio importante sia stato riconosciuto correttamente.

Per completare una trascrizione, verifica nomi, numeri, negazioni e cambi di parlante tornando all’audio corrispondente. Presta attenzione alle sezioni a volume basso, alle sovrapposizioni e ai cambi di lingua, anziché giudicare la qualità solo dalla scorrevolezza del testo. Conserva le formulazioni incerte per correggerle invece di completare un passaggio non udibile con una frase plausibile. Il risultato utile è un testo verificato con i riferimenti temporali e le informazioni sui parlanti necessari all’uso previsto; la trascrizione può poi diventare l’input di una fase separata di sintesi, traduzione o analisi.