ElevenLabs: Scribe v2

ElevenLabs Scribe v2 жазылған аудионы 90-нан астам тілде мәтінге түсіреді; сөз деңгейіндегі уақыт белгілерін, қажет болса сөйлеушілерді ажыратуды және сөйлеуге жатпайтын оқиға тегтерін ұсынады. Ол ұзақ жазбаларға, субтитрлерге және өңделетін транскрипттерге арналған; контекстке қатысты негізгі терминдерді және сөзбе-сөз не тазартылған транскрипцияны таңдауды қолдайды.

Ailoot Ultra · Дыбысты мәтінге түсіру POST /v1/audio/transcriptions elevenlabs/scribe-v2

Модель туралы

Бұл сипаттама модель мүмкіндіктерін қамтиды. Ailoot жүйесінде таңдалған әдіс үшін қолжетімді кіріс, шығыс және параметрлер төменде берілген.

ElevenLabs Scribe v2 — жазылған аудио, транскрипция және субтитрлер жасауға арналған пакеттік сөйлеуді тану моделі. Ол Scribe v1 негізінде жасалып, ұзақ жазбаларды, кідірістерді, дауыс реңкінің өзгеруін және ұзақ үнсіздікті өңдеуі жақсартылған. Нәтижесі — уақыт ақпараты және қажет болса сөйлеуші мен аудиооқиға аннотациялары бар жазбаша сөйлеу. Scribe v2 Realtime — нақты уақыттағы транскрипцияға арналған бөлек нұсқа; бұл модельдің мақсаты — толық жазбаларды өңдеу.

Өндіруші 90-нан астам тілде тануды және тілді автоматты анықтауды, оның ішінде тіл ауысатын жазбаларды қолдайтынын құжаттаған. Белгілі тіл жөніндегі ишара модельге аудионы түсінуге көмектесе алады. Анық жазба дайындаңыз, түпнұсқа тіл мен атауларды сақтаңыз, дыбыстың қатты қиылуына немесе сөйлеу бөлшектерін жоятын артық өңдеуге жол бермеңіз. Құжатталған кең таралған кіріс пішімдеріне WAV, MP3, FLAC, M4A, AAC, OGG, Opus және WebM кіреді. Транскрипция іске асырылымы қолдайтын кіріс түрін таңдап, түпнұсқа жазбаны тексеру үшін сақтаңыз.

Стандартты жауапта танылған мәтін, анықталған тіл туралы ақпарат және уақыт белгілері бар сөздер тізбегі болады. Сөз жазбаларына басталу және аяқталу уақыты, сөйлеуші идентификаторлары және танудың логарифмдік ықтималдығы кіруі мүмкін. Олар нәтижені субтитрлерге, іздеуге болатын сұхбаттарға немесе тиісті дыбысқа қайта өтетін редакторға ыңғайлы етеді. Уақыт белгілері бар нәтижені бастапқы аудиомен бірге сақтаңыз. Мысалы, подкаст үшін нәтиже өңделетін транскрипт және субтитрлерді орналастырмас бұрын түзету орнын табуға көмектесетін, сөз бойынша сәйкестендірілген жазба болуы мүмкін.

Сөйлеушілерді ажырату бірнеше адам сөйлеген аудиода кімнің қашан сөйлейтінін белгілейді; өндіруші 32 сөйлеушіге дейін құжаттаған. Сөйлеу кезектері маңызды болса, оны қосыңыз және бұл ақпарат белгілі болса, сөйлеушілердің орынды санын беріңіз. Анықталған сөйлеуші белгісін тексерілген адамның есімінен ажыратыңыз. Сұхбатта немесе жиналыста кезек ауысуын жазбамен салыстырып, әсіресе дауыстар қабаттасқан не ұқсас естілген жерлерде тексеріңіз. Белгі транскриптті реттеуге көмектеседі; ол сөйлеушінің жеке басын өздігінен дәлелдемейді.

Әр арнада бір сөйлеуші бар жазбаның құрылымы бір арнаға араласқан бірнеше дауыстан өзгеше. Өндіруші интерфейсі бес арнаға дейін жеке өңдеп, бөлек транскрипттерді немесе арна индекстерімен уақыт ретіне келтірілген ортақ транскриптті қайтара алады. Арна құрылымы мағыналы болса, оны сақтаңыз. Бөлінген қоңырау жазбасын транскрипция алдында бір арнаға біріктіру сөйлеуші туралы пайдалы ақпарат көзін жоғалтуы мүмкін. Арнаға қарай тиесілілікті аралас аудиодан автоматты анықталған сөйлеушіге тиесіліліктен бөлек сақтаңыз. Біріктірілген арналар жауабы уақыт белгілерін қажет етеді және нысандарды анықтауды не жасыруды қамти алмайды.

Негізгі терминдерді ишара ретінде беру атауларды, өнім терминдерін және маманданған сөздерді контекст арқылы тануға бағыттайды. Қазіргі пакеттік құжаттама 1 000-ға дейін терминге рұқсат береді; әр термин 50 таңбадан аз және ең көбі бес сөз болуы тиіс. Қатысы жоқ ауқымды каталогтың орнына тиісті жазылымдарды беріңіз. Техникалық сұхбат үшін айтылуы ықтимал өнім атаулары мен қысқартуларды беріп, кейін нәтижеде оларды өз уақыт белгілерінде тексеріңіз. Негізгі терминдер тануға бейімділік береді; олар жазба растамайтын терминді енгізу нұсқауы емес.

Тазартуды қолданар алдында транскрипттің мақсатын таңдаңыз. Сөзбе-сөз жазба айтылған сөздерді сақтайды, ал құжатталған no-verbatim опциясы нәтижені оқуға ыңғайлы ету үшін қыстырма дыбыстарды, басталғанмен аяқталмаған сөз орамдарын және сөйлеу іркілістерін алып тастайды. Динамикалық аудиотегтеу күлкі немесе аяқ дыбысы сияқты сөйлеуге жатпайтын оқиғаларды анықтай алады. Өңделіп реттелген транскрипт субтитрлерге не оқуға пайдалы болуы мүмкін, бірақ қайталаулар, түзетулер немесе сөйлеуге жатпайтын дыбыстар тапсырма үшін маңызды болса, ол бастапқы жазбаны үнсіз алмастырмауы тиіс.

Өндіруші нысандарды анықтауды және тәжірибелік транскрипт редакциялауын да құжаттаған. Өндіруші интерфейсінде транскриптті редакциялауды нысандарды анықтау, нысандарды жасыру немесе көпарналы транскрипциямен біріктіру мүмкін емес. Анықталған нысандар транскрипттегі таңдалған ақпараттың құрылымдалған орындарын береді. Қосымша опция ретіндегі нысандарды жасыру анықталған мәтінді алмастыру белгілерімен бүркемелейді; ол нысандарды анықтауға тәуелді, ал жасыру қосылғанда нысандар тізімі қайтарылмайды. Жасыру транскрипция кезінде жалпы алмастыру маркерін, санат белгісін немесе нөмірленген санат белгісін пайдаланып орындалады. Автоматты жасыру құпия мазмұнды өткізіп алуы мүмкін, сондықтан жасырылған транскриптті бөлісер алдында тексеріңіз. Табиғи тілдегі редакциялау бастапқы нәтижемен қатар өңделген мәтінді қайтарады, ал бастапқы уақыт белгілері мен сөйлеуші жазбасы қолжетімді болып қалады. Бұл нәтижелерді бөлек сақтаңыз: түзетілген жазылымды немесе қайта пішімделген сөйлемді аудиомен сәйкестендіру не кейін ақпарат шығарып алу үшін қолданар алдында қайта тексеру қажет болуы мүмкін. Бұл мүмкіндіктер транскриптті өңдейді; олар әр маңызды бөлшектің дұрыс танылғанын дәлелдемейді.

Аяқталған транскрипт үшін атауларды, сандарды, терістеулерді және сөйлеуші ауысуын тиісті аудиоға оралып тексеріңіз. Сапаны тек жатық мәтінмен бағаламай, бәсең бөліктерге, дауыстардың қабаттасуына және тіл ауысуына назар аударыңыз. Естілмейтін үзіндіні ықтимал сөйлеммен толықтырудың орнына, белгісіз сөздерді түзету үшін сақтаңыз. Пайдалы нәтиже — мақсатты қолдануға қажет уақыт және сөйлеуші ақпараты бар, тексерілген мәтіндік жазба; содан кейін транскрипт бөлек түйіндеу, аудару немесе талдау кезеңіне кіріс бола алады.

Ailoot Ultra · Дыбысты мәтінге түсіру POST /v1/audio/transcriptions elevenlabs/scribe-v2

elevenlabs/scribe-v2

ElevenLabs /elevenlabs/scribe-v2

Бастау

Қабылданатын кіріс деректері: Аудио
Нәтижелер: Мәтін

Ailoot жүйесінде қолжетімді · кіріс деректері мен әдістер

Ailoot Ultra · Дыбысты мәтінге түсіру POST /v1/audio/transcriptions

Кіріс: audio
Шығыс: text

Өріс	Түрі	Талап	Мәндер мен шектеулер	Әдепкі
Өріс`model`	Түрі`string`	ТалапМіндетті	Мәндер мен шектеулер elevenlabs/scribe-v2	Әдепкі—
Өріс`input_audio`	Түрі`object`	ТалапМіндетті	Мәндер мен шектеулер	Әдепкі—

Әдіс параметрлері мен өмірлік циклі

Параметр	Параметр талаптары
Параметр`content_type`	Параметр талаптарыapplication/json
Параметр`required`	Параметр талаптарыmodel, input_audio
Параметр`material_types`	Параметр талаптарыaudio
Параметр`material_conditions`	Параметр талаптарыМысал сіздің нақты, бос емес PCM WAV файлыңызды оқып, файлдың барлық байтын base64 пішіміне кодтайды және input_audio.format өрісін wav мәнімен жібереді.

Өмірлік цикл: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · иелігіңіздегі бар медиа жазбасынан алынған дәл task_id

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Тарифтер

Тариф анықтамасы сұрау мүмкіндіктерін қоспайды. Қолдау көрсетілетін параметрлер таңдалған әдісте берілген.

Жылдам режим: Көрсетілмеген Жылдам режим таңдалғанда
Икемді режим: Көрсетілмеген flex режимі таңдалғанда
Ой қорытудың ең жоғары деңгейі: Көрсетілмеген Ой қорыту деңгейі ең жоғары болып, default түзетуі қолданылғанда

Ailoot мөлшерлемелері

Баптаулар бойынша бағалар

Әр төлемді көрсетілген шарттармен салыстырыңыз. Балама баптаулардың әр жиыны үшін бір мөлшерлемені қолданыңыз.

Баптау	Мөлшерлемелер кестесі	Есептеу бірлігі	Төлем
БаптауТокендердің базалық тарифтері	Мөлшерлемелер кестесіНегізгі мөлшерлеме	Есептеу бірлігі—	Төлем Кіріс · Кіріс токендері — / 1K токен Шығыс · Шығыс токендері — / 1K токен Кіріс · Кэшті оқу — / 1K токен Кіріс · Кэшке жазу — / 1K токен Кіріс · Кэшке жазу, 1 сағ — / 1K токен
Баптаукіріс аудио секунды	Мөлшерлемелер кестесі—	Есептеу бірлігікіріс аудионың секунды үшін	Төлем Кіріс · кіріс аудио секунды $0.0001222222222222 кіріс аудионың секунды үшін

Ailoot сұрау алдында болжамды соманы резервтейді. Нәтижеден кейін өлшенген пайдалану көлемі бойынша қорытынды төлемді шегереді. Ағындық жауап үшін төлем соңғы пайдалану жазбасы негізінде шегеріледі. Резервтеу мен төлемді есептеу тәртібі →

Сұрау мысалдары

Ailoot Ultra · Дыбысты мәтінге түсіру

curl · нақты WAV файлы және бастапқы толық нәтиже

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"
export AILOOT_AUDIO_FILE
python3 - <<'PY_REQUEST'
import base64, io, json, os, wave
from pathlib import Path
audio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()
if not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):
    raise SystemExit('Supply your actual PCM WAV audio file')
with wave.open(io.BytesIO(audio), 'rb') as recording:
    if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:
        raise SystemExit('Supply a nonempty PCM WAV recording')
request = {'model': 'elevenlabs/scribe-v2', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}
Path('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o response.bin
# Retain the complete original response, headers and actual X-Client-Request-ID.
# Read existing owned records for recovery; do not resubmit an uncertain operation.

Нәтижелерді алу және сақтау

Ailoot Ultra · Дыбысты мәтінге түсіру

Бастапқы жауаптың толық денесі, күйі және әрі қарай берілген тақырыптары. Бұл өңдегіш әмбебап JSON құрылымын, мәтін өрісін немесе тапсырманың сыртқы құрылымын қоспайды.

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Барлық дайын нәтижені сақтау

Қайтарылған әр толық жауапты, файлды және мазмұн бөлігін сақтаңыз.

Толық жауапты және тақырыптарды, алынған әрбір нәтижені, бастапқыда қайтарылған идентификаторларды және пайдалану туралы барлық өрістерді сақтаңыз. Жасау сұрауын қайта жібермей, бастапқы операцияны қалпына келтіріңіз.

Бастапқы жауапты тексеру қажет болса

Нақты X-Client-Request-ID мәнін және толық жауапты сақтаңыз. Иелігіңіздегі бастапқы ресурстарды және олардың қолтаңбасы бар дәл мазмұн URL мекенжайларын оқыңыз; нәтижесі белгісіз жасау сұрауын ешқашан қайта жібермеңіз.

Жауап өрістері

Өріс	Түрі
Өріс`text (when present)`	Түрі
Өріс`usage (when present)`	Түрі

Қателер және келесі қадамдар

Жауап	Шарт	Келесі қадам
Жауап400 · `invalid_request_error`	ШартJSON денесі немесе нақты канондық модель ID мәні жарамсыз.	Келесі қадамЖауапты сақтап, сұраудың көрсетілген өрісін түзетіңіз.
Жауап401 · `authentication_error`	ШартAiloot API кілті жарамсыз.	Келесі қадамПайдалануға рұқсат етілген Ailoot API кілтіңізді қолданыңыз.
Жауап403 · `permission_error`	ШартКілттің тобына бұл әдісті пайдалануға рұқсат берілмеген.	Келесі қадамҚайтарылған қатенің толық мәліметін сақтаңыз.
Жауап404 · `not_found_error`	ШартТаңдалған әдісте пайдалануға рұқсат етілген маршрут жоқ.	Келесі қадамҚайтарылған қатенің толық мәліметін сақтаңыз.
Жауап422 · `price_unavailable`	ШартҚабылданған тариф өзіне қажетті кіріс мөлшерін немесе шегін ала алмайды.	Келесі қадамЖауапты сақтаңыз; қабылданған тариф талап ететін кіріс пішімін пайдаланыңыз.
Жауап503 ·	ШартҚажетті қойма, маршрут, әдіс бағасы немесе қаражат резерві қолжетімді емес.	Келесі қадамБастапқы жауапты толық сақтаңыз. Нәтижесі белгісіз қаражат резерві сұрауды қайта жіберуге рұқсат бермейді.
Жауап502 · `server_error`	ШартБастапқы нәтижені, пайдалану деректерін немесе есеп айырысуды тексеру қажет.	Келесі қадамНақты сұрау ID мәнін және бастапқы жауапты сақтаңыз. Иелігіңіздегі бар жазбаны оқыңыз; жасау сұрауын қайта жібермеңіз.

Балама атаулар

Модельдердің балама атаулары

Ailoot Ultra elevenlabs/scribe-v2

Әдіс жолдарының балама атаулары

Жоғарыда көрсетілген әдіс жолдарын пайдаланыңыз.

Шақыруға арналған байланысты ID

elevenlabs/scribe-v2

FAQ · ElevenLabs: Scribe v2

Қандай кіріс деректері мен нәтижелер қолжетімді?: POST /v1/audio/transcriptions · elevenlabs/scribe-v2: audio → text
Сұрау қандай өрістерді пайдаланады?: POST /v1/audio/transcriptions · elevenlabs/scribe-v2: model, input_audio

ElevenLabs: Scribe v2