ElevenLabs: Scribe v2

ElevenLabs Scribe v2 é o modelo de reconhecimento de fala em lote para áudio gravado, transcrição e legendagem, incluindo legendas descritivas. Desenvolve o Scribe v1 com melhorias no tratamento de gravações longas, pausas, alterações de tom e silêncios prolongados. O resultado é a fala por escrito, com informação temporal e anotações opcionais de locutores e eventos sonoros. Scribe v2 Realtime é uma edição separada de transcrição em direto; a finalidade deste modelo é processar gravações completas.

O fabricante documenta o reconhecimento em mais de 90 idiomas e a deteção automática do idioma, incluindo gravações que alternam entre idiomas. Uma indicação do idioma conhecido pode ajudar o modelo a interpretar o áudio. Prepare uma gravação clara, preserve o idioma e os nomes originais e evite saturação intensa ou processamento desnecessário que elimine pormenores da fala. As entradas comuns documentadas incluem WAV, MP3, FLAC, M4A, AAC, OGG, Opus e WebM. Escolha uma representação de entrada suportada pela implementação da transcrição e preserve a gravação de origem para revisão.

A resposta padrão contém o texto reconhecido, informação sobre o idioma detetado e uma sequência de palavras com marcação temporal. Os registos de palavras podem incluir tempos de início e fim, identificadores de locutores e uma log-probabilidade de reconhecimento. Estes elementos tornam o resultado útil para legendas, entrevistas pesquisáveis ou um editor que permite regressar ao som pertinente. Mantenha o resultado com marcação temporal juntamente com o áudio de origem. Para um podcast, por exemplo, o resultado a entregar pode ser uma transcrição editável e um registo alinhado palavra a palavra que permita localizar correções antes de preparar as legendas.

A diarização de locutores identifica quem fala e quando num áudio com vários locutores, com um máximo de 32 locutores documentado pelo fabricante. Ative-a quando os turnos de fala forem importantes e forneça um número razoável de locutores se essa informação for conhecida. Distinga um rótulo de locutor detetado do nome de uma pessoa verificada. Para uma entrevista ou reunião, confira as mudanças de turno com a gravação, sobretudo quando as vozes se sobrepõem ou são semelhantes. Um rótulo ajuda a organizar a transcrição; não estabelece, de forma independente, a identidade do locutor.

Uma gravação com um locutor por canal tem uma estrutura diferente da de várias vozes misturadas num único canal. A interface do produtor pode processar até cinco canais de forma independente e devolver transcrições separadas ou uma transcrição combinada ordenada no tempo, com índices de canal. Preserve essa disposição de canais quando for relevante. Reduzir a um único canal uma gravação de chamada com canais separados antes da transcrição pode eliminar uma fonte útil de informação sobre os locutores. Mantenha a atribuição baseada em canais distinta da diarização inferida a partir de áudio misturado. A resposta com canais combinados exige marcas temporais e não pode incluir deteção nem ocultação de entidades.

A indicação de termos-chave orienta o reconhecimento de nomes, termos de produtos e vocabulário especializado com recurso ao contexto. A documentação atual de processamento em lote permite até 1 000 termos, cada um com menos de 50 caracteres e, no máximo, cinco palavras. Forneça grafias pertinentes, em vez de um catálogo amplo sem relação com a tarefa. Para uma entrevista técnica, forneça os nomes de produtos e as abreviaturas que provavelmente surgirão e, depois, inspecione-os nos respetivos momentos indicados no resultado. Os termos-chave favorecem o reconhecimento; não são instruções para inserir um termo quando a gravação não o sustenta.

Escolha a finalidade da transcrição antes de aplicar a limpeza do discurso. Um registo literal preserva as palavras ditas, enquanto a opção documentada de transcrição não literal remove bordões, falsos arranques e disfluências para obter um resultado mais legível. A etiquetagem dinâmica de áudio pode identificar eventos não verbais, como risos ou passos. Uma transcrição aperfeiçoada pode ser útil para legendas ou leitura, mas não deve substituir silenciosamente o registo bruto quando as repetições, as correções ou os sons não verbais forem importantes para a tarefa.

O fabricante também documenta a deteção de entidades e a edição experimental de transcrições. Na interface do produtor, a edição de transcrições não pode ser combinada com deteção de entidades, ocultação de entidades ou transcrição multicanal. As entidades detetadas fornecem posições estruturadas para informação selecionada na transcrição. A ocultação opcional de entidades mascara o texto detetado com rótulos de substituição; depende da deteção de entidades, e a lista de entidades não é devolvida quando a ocultação está ativada. A ocultação ocorre durante a transcrição, utilizando um marcador genérico de substituição, um rótulo de categoria ou um rótulo de categoria numerado. A ocultação automática pode deixar passar conteúdo sensível, por isso inspecione a transcrição com ocultação antes de a partilhar. Uma edição em linguagem natural devolve um texto editado juntamente com o resultado original, mantendo disponível o registo original de tempos e locutores. Mantenha esses resultados distintos: uma grafia corrigida ou uma frase reformatada pode precisar de nova verificação antes de ser alinhada com o áudio ou utilizada numa extração posterior. Estas funcionalidades processam a transcrição; não estabelecem que todos os pormenores importantes foram reconhecidos corretamente.

Para uma transcrição concluída, reveja os nomes, os números, as negações e as mudanças de locutor, regressando ao áudio correspondente. Preste atenção às partes em voz baixa, às sobreposições e às mudanças de idioma, em vez de avaliar a qualidade apenas pela fluência do texto. Preserve as formulações incertas para correção, em vez de completar uma passagem inaudível com uma frase plausível. O resultado útil é um registo textual verificado, com a informação temporal e de locutores necessária para a utilização pretendida; a transcrição pode depois servir de entrada para uma etapa separada de resumo, tradução ou análise.