ElevenLabs: Scribe v2

ElevenLabs Scribe v2 er modellen for satsvis talegjenkjenning av innspilt lyd, transkripsjon og teksting. Den bygger videre på Scribe v1 med forbedret håndtering av lange opptak, pauser, endringer i tonefall og lengre stillhet. Resultatet er skriftlig gjengitt tale med tidsinformasjon og valgfrie annotasjoner for talere og lydhendelser. Scribe v2 Realtime er en separat utgave for direktetranskripsjon; denne modellens formål er å behandle komplette opptak.

Produsenten dokumenterer gjenkjenning på mer enn 90 språk og automatisk språkgjenkjenning, inkludert opptak der språket skifter. Et hint om et kjent språk kan hjelpe modellen med å tolke lyden. Forbered et tydelig opptak, behold originalspråket og navnene, og unngå kraftig klipping av lydsignalet eller unødvendig behandling som fjerner detaljer i talen. Vanlige dokumenterte inndataformater omfatter WAV, MP3, FLAC, M4A, AAC, OGG, Opus og WebM. Velg en inndatarepresentasjon som støttes av transkripsjonsimplementeringen, og behold kildeopptaket for gjennomgang.

Standardsvaret inneholder den gjenkjente teksten, informasjon om gjenkjent språk og en sekvens av ord med tidsangivelser. Ordregistreringene kan inneholde start- og sluttider, taleridentifikatorer og en logaritmisk sannsynlighet for gjenkjenningen. Dette gjør resultatet nyttig for undertekster, søkbare intervjuer eller en redigerer som hopper tilbake til den relevante lyden. Behold resultatet med tidsangivelser sammen med kildelyden. For en podkast kan leveransen for eksempel være en redigerbar transkripsjon og en ordjustert registrering som gjør det mulig å finne rettelser før undertekstene settes opp.

Talerdiarisering merker hvem som snakker når i lyd med flere talere, med opptil 32 talere dokumentert av produsenten. Aktiver den når talerskifter er viktige, og oppgi et rimelig antall talere hvis denne informasjonen er kjent. Skill mellom en gjenkjent taleretikett og navnet på en verifisert person. For et intervju eller møte kontrollerer du talerskifter mot opptaket, særlig der stemmer overlapper eller høres like ut. En etikett hjelper med å organisere transkripsjonen; den fastslår ikke talerens identitet på egen hånd.

Et opptak med én taler per kanal har en annen struktur enn flere stemmer blandet i én kanal. Produsentens grensesnitt kan behandle opptil fem kanaler uavhengig og returnere separate transkripsjoner eller en samlet transkripsjon ordnet etter tid, med kanalindekser. Behold dette kanaloppsettet når det er relevant. Å slå sammen et samtaleopptak med separate kanaler før transkripsjon kan fjerne en nyttig kilde til talerinformasjon. Hold kanalbasert tilordning atskilt fra diarisering som er utledet fra blandet lyd. Svaret for kombinerte kanaler krever tidsstempler og kan ikke inneholde entitetsgjenkjenning eller maskering.

Styring med nøkkeltermer veileder gjenkjenningen av navn, produktbegreper og fagterminologi ved hjelp av kontekst. Den gjeldende dokumentasjonen for satsvis transkripsjon tillater opptil 1 000 termer, hver på under 50 tegn og høyst fem ord. Oppgi relevante stavemåter fremfor en bred katalog uten tilknytning til oppgaven. For et teknisk intervju oppgir du produktnavnene og forkortelsene som sannsynligvis forekommer, og kontrollerer dem deretter ved tidsstemplene i resultatet. Nøkkeltermer påvirker gjenkjenningen; de er ikke instruksjoner om å sette inn en term når opptaket ikke gir grunnlag for den.

Velg transkripsjonens formål før du rydder i språket. En ordrett registrering beholder den muntlige ordlyden, mens det dokumenterte alternativet no-verbatim fjerner fyllord, avbrutte formuleringer og taleflytbrudd for et mer lesbart resultat. Dynamisk lydmerking kan identifisere hendelser uten tale, som latter eller fottrinn. En bearbeidet transkripsjon kan være nyttig for undertekster eller lesing, men den bør ikke stilltiende erstatte råregistreringen når gjentakelser, rettelser eller lyder uten tale er viktige for oppgaven.

Produsenten dokumenterer også entitetsgjenkjenning og eksperimentell redigering av transkripsjoner. Redigering av transkripsjoner kan ikke kombineres med entitetsgjenkjenning, entitetsmaskering eller flerkanalstranskripsjon i produsentens grensesnitt. Gjenkjente entiteter gir strukturerte posisjoner for utvalgt informasjon i transkripsjonen. Valgfri entitetsmaskering maskerer gjenkjent tekst med erstatningsetiketter; den avhenger av entitetsgjenkjenning, og entitetslisten returneres ikke når maskering er aktivert. Maskeringen skjer under transkripsjonen og bruker en generell erstatningsmarkør, en kategorietikett eller en nummerert kategorietikett. Automatisk maskering kan overse følsomt innhold, så gjennomgå den maskerte transkripsjonen før du deler den. En redigering med instruksjoner i naturlig språk returnerer en redigert tekst ved siden av originalresultatet, slik at den opprinnelige registreringen av tider og talere fortsatt er tilgjengelig. Hold disse resultatene atskilt: en korrigert stavemåte eller en omformatert setning kan trenge en ny kontroll før den justeres mot lyden eller brukes i et etterfølgende uttrekk. Disse funksjonene behandler transkripsjonen; de fastslår ikke at alle viktige detaljer ble gjenkjent riktig.

For en ferdig transkripsjon kontrollerer du navn, tall, negasjoner og talerskifter ved å gå tilbake til den tilhørende lyden. Vær oppmerksom på stille partier, overlapp og språkskifter fremfor å vurdere kvaliteten bare ut fra flytende tekst. Behold usikker ordlyd for retting i stedet for å fullføre et uhørbart avsnitt med en plausibel setning. Det nyttige resultatet er en kontrollert tekstregistrering med tids- og talerinformasjonen som trengs for den tiltenkte bruken; en transkripsjon kan deretter bli inndata til et separat trinn for oppsummering, oversettelse eller analyse.