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.
", "aboutText": "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.\n\nO 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.\n\nA 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.\n\nA 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.\n\nUma 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.\n\nA 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.\n\nEscolha 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.\n\nO 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.\n\nPara 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "9153a85b8677c9ff60d9ecacfa9d07041fafa01671886414464d97e383b8c479", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "elevenlabs/scribe-v2ElevenLabs Scribe v2 transcreve áudio gravado em mais de 90 idiomas, com marcação temporal ao nível da palavra, diarização opcional de locutores e etiquetas de eventos não verbais. Foi concebido para gravações longas, legendas e transcrições editáveis, com termos-chave contextuais e opções de transcrição literal ou com limpeza do discurso.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
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.
POST /v1/audio/transcriptionsaudiotext| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites elevenlabs/scribe-v2 | Predefinição— |
Campoinput_audio | Tipoobject | RequisitoObrigatório | Valores e limites | Predefinição— |
| Parâmetro | Contrato |
|---|---|
Parâmetrocontent_type | Contratoapplication/json |
Parâmetrorequired | Contratomodel, input_audio |
Parâmetromaterial_types | Contratoaudio |
Parâmetromaterial_conditions | ContratoO exemplo lê o seu ficheiro PCM WAV real e não vazio, codifica todos os bytes do ficheiro em base64 e envia input_audio.format como wav. |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id exato de um registo multimédia existente pertencente ao utilizador
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
As referências tarifárias não acrescentam opções ao pedido. Os parâmetros suportados constam do método selecionado.
Associe cada custo às condições apresentadas. Use uma única tarifa para cada conjunto de configurações alternativas.
| Configuração | Tabela de tarifas | Unidade de faturação | Custo |
|---|---|---|---|
| ConfiguraçãoTarifas base por token | Tabela de tarifasTarifa base | Unidade de faturação— | Custo Entrada · Tokens de entrada — / 1K tokens Saída · Tokens de saída — / 1K tokens Entrada · Leitura da cache — / 1K tokens Entrada · Escrita na cache — / 1K tokens Entrada · Escrita na cache, 1 hora — / 1K tokens |
| Configuraçãosegundo de áudio de entrada | Tabela de tarifas— | Unidade de faturaçãopor segundo de áudio de entrada | Custo Entrada · segundo de áudio de entrada $0.0001222222222222 por segundo de áudio de entrada |
O Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_AUDIO_FILE:?Set the path to your actual PCM WAV recording}"\nexport AILOOT_AUDIO_FILE\npython3 - <<'PY_REQUEST'\nimport base64, io, json, os, wave\nfrom pathlib import Path\naudio = Path(os.environ['AILOOT_AUDIO_FILE']).read_bytes()\nif not (audio[:4] == b'RIFF' and audio[8:12] == b'WAVE'):\n raise SystemExit('Supply your actual PCM WAV audio file')\nwith wave.open(io.BytesIO(audio), 'rb') as recording:\n if recording.getcomptype() != 'NONE' or recording.getnframes() <= 0:\n raise SystemExit('Supply a nonempty PCM WAV recording')\nrequest = {'model': 'elevenlabs/scribe-v2', 'input_audio': {'data': base64.b64encode(audio).decode('ascii'), 'format': 'wav'}}\nPath('request.json').write_text(json.dumps(request, ensure_ascii=False), encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/transcriptions \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete original response, headers and actual X-Client-Request-ID.\n# Read existing owned records for recovery; do not resubmit an uncertain operation.\nCorpo completo da resposta original, estado e cabeçalhos encaminhados. Este processador não adiciona qualquer estrutura JSON universal, campo de texto ou estrutura envolvente de tarefa.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Conserve a resposta completa e os cabeçalhos, todos os resultados efetivamente produzidos, os identificadores originais devolvidos e todos os campos de utilização. Recupere a operação original sem voltar a enviar o pedido de criação.
Conserve o X-Client-Request-ID real e a resposta completa. Consulte os recursos originais pertencentes ao utilizador e os respetivos URLs assinados exatos de conteúdo; nunca volte a enviar uma criação incerta.
| Campo | Tipo |
|---|---|
Campotext (when present) | Tipo |
Campousage (when present) | Tipo |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoO corpo JSON ou o ID canónico explícito do modelo é inválido. | Passo seguinteConserve a resposta e corrija o campo indicado no pedido. |
Resposta401 · authentication_error | CondiçãoA chave API da Ailoot é inválida. | Passo seguinteUtilize a sua chave API autorizada da Ailoot. |
Resposta403 · permission_error | CondiçãoO grupo da chave não permite este método. | Passo seguinteConserve os detalhes do erro devolvido. |
Resposta404 · not_found_error | CondiçãoO método selecionado não tem uma rota autorizada. | Passo seguinteConserve os detalhes do erro devolvido. |
Resposta422 · price_unavailable | CondiçãoO tarifário aceite não consegue obter a quantidade de entrada ou o limite de que necessita. | Passo seguinteConserve a resposta; utilize a representação da entrada exigida pelo tarifário aceite. |
Resposta503 · | CondiçãoO armazenamento, a rota, o preço do método ou a reserva de que necessita não está disponível. | Passo seguinteConserve a resposta original completa. Uma reserva incerta não autoriza o reenvio. |
Resposta502 · server_error | CondiçãoO resultado, a utilização ou a liquidação original requer verificação. | Passo seguinteConserve o ID real do pedido e a resposta original. Consulte o registo existente pertencente ao utilizador; não volte a enviar o pedido de criação. |
Ailoot Ultra elevenlabs/scribe-v2
Use os caminhos dos métodos indicados acima.