ElevenLabs: Scribe v2

ElevenLabs Scribe v2 prepisuje zaznamenaný zvuk v 90+ jazykoch s časovými údajmi na úrovni slov, voliteľnou diarizáciou hovoriacich a značkami nerečových udalostí. Je navrhnutý na dlhé nahrávky, titulky a upraviteľné prepisy s kontextovými kľúčovými termínmi a možnosťou doslovného alebo upraveného prepisu.

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions elevenlabs/scribe-v2

O modeli

Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.

ElevenLabs Scribe v2 je model dávkového rozpoznávania reči pre zaznamenaný zvuk, prepis a tvorbu titulkov vrátane titulkov zachytávajúcich zvukové udalosti. Nadväzuje na Scribe v1 so zlepšeným spracovaním dlhých nahrávok, prestávok, zmien tónu a dlhšieho ticha. Výsledkom je písomný záznam reči s časovými údajmi a voliteľnými anotáciami hovoriacich a zvukových udalostí. Scribe v2 Realtime je samostatná edícia na živý prepis; účelom tohto modelu je spracovanie úplných nahrávok.

Výrobca dokumentuje rozpoznávanie vo viac než 90 jazykoch a automatické rozpoznávanie jazyka vrátane nahrávok, v ktorých sa jazyky striedajú. Údaj o známom jazyku môže modelu pomôcť interpretovať zvuk. Pripravte čistú nahrávku, zachovajte pôvodný jazyk a názvy a vyhnite sa výraznému orezaniu signálu alebo zbytočnému spracovaniu, ktoré odstraňuje detaily reči. Bežné zdokumentované vstupy zahŕňajú WAV, MP3, FLAC, M4A, AAC, OGG, Opus a WebM. Vyberte podobu vstupu podporovanú implementáciou prepisu a zachovajte zdrojovú nahrávku na kontrolu.

Štandardná odpoveď obsahuje rozpoznaný text, informácie o zistenom jazyku a postupnosť slov s časovými údajmi. Záznamy slov môžu obsahovať časy začiatku a konca, identifikátory hovoriacich a logaritmickú pravdepodobnosť rozpoznania. Vďaka tomu je výsledok užitočný pre titulky, rozhovory s možnosťou vyhľadávania alebo editor, ktorý sa vracia k príslušnému zvuku. Časovo označený výsledok uchovávajte spolu so zdrojovým zvukom. Napríklad pri podcaste môže byť výstupom upraviteľný prepis a záznam zarovnaný na úrovni slov, ktorý pomáha vyhľadať opravy pred zostavením titulkov.

Diarizácia hovoriacich označuje, kto kedy hovorí v zvuku s viacerými hovoriacimi, pričom výrobca dokumentuje podporu najviac 32 hovoriacich. Zapnite ju, keď sú zmeny hovoriaceho dôležité, a ak je počet hovoriacich známy, zadajte primeranú hodnotu. Odlíšte zistené označenie hovoriaceho od overeného mena osoby. Pri rozhovore alebo stretnutí kontrolujte zmeny hovoriaceho podľa nahrávky, najmä keď sa hlasy prekrývajú alebo znejú podobne. Označenie pomáha usporiadať prepis; samo osebe nepotvrdzuje totožnosť hovoriaceho.

Nahrávka s jedným hovoriacim v každom kanáli má inú štruktúru než viacero hlasov zmiešaných do jedného kanála. Rozhranie výrobcu dokáže nezávisle spracovať najviac päť kanálov a vrátiť samostatné prepisy alebo kombinovaný prepis zoradený podľa času s indexmi kanálov. Ak má takéto usporiadanie kanálov význam, zachovajte ho. Zlúčenie oddelených kanálov nahrávky hovoru pred prepisom môže odstrániť užitočný zdroj informácií o hovoriacich. Priradenie podľa kanálov odlíšte od diarizácie odvodenej zo zmiešaného zvuku. Odpoveď kombinujúca kanály vyžaduje časové značky a nemôže zahŕňať detekciu ani maskovanie entít.

Zadávanie kľúčových termínov pomocou kontextu usmerňuje rozpoznávanie mien, produktových pojmov a odbornej slovnej zásoby. Aktuálna dokumentácia dávkového spracovania povoľuje najviac 1 000 termínov, pričom každý má mať menej než 50 znakov a najviac päť slov. Poskytnite relevantné pravopisné podoby namiesto rozsiahleho nesúvisiaceho katalógu. Pri technickom rozhovore uveďte názvy produktov a skratky, ktoré sa pravdepodobne vyskytnú, a potom ich vo výsledku overte na príslušných časových značkách. Kľúčové termíny ovplyvňujú rozpoznávanie; nie sú pokynom vložiť termín, ktorý nahrávka nepodporuje.

Pred úpravou prepisu určte jeho účel. Doslovný záznam zachováva vyslovené znenie, zatiaľ čo zdokumentovaná možnosť no-verbatim odstraňuje výplňové slová, nedokončené začiatky výpovedí a neplynulosti, aby bol výsledok čitateľnejší. Dynamické označovanie zvuku dokáže identifikovať nerečové udalosti, ako sú smiech alebo kroky. Uhladený prepis môže byť užitočný na titulky alebo čítanie, nemá však potichu nahradiť surový záznam, ak sú pre úlohu dôležité opakovania, opravy alebo nerečové zvuky.

Výrobca dokumentuje aj detekciu entít a experimentálnu úpravu prepisu. Úpravu prepisu v rozhraní výrobcu nemožno kombinovať s detekciou entít, maskovaním entít ani viackanálovým prepisom. Zistené entity poskytujú štruktúrované údaje o pozíciách vybraných informácií v prepise. Voliteľné maskovanie entít nahrádza zistený text zástupnými označeniami; závisí od detekcie entít a pri zapnutom maskovaní sa zoznam entít nevracia. Maskovanie prebieha počas prepisu a používa všeobecnú zástupnú značku, označenie kategórie alebo očíslované označenie kategórie. Automatické maskovanie môže prehliadnuť citlivý obsah, preto maskovaný prepis pred zdieľaním skontrolujte. Úprava zadaná prirodzeným jazykom vracia upravený text popri pôvodnom výsledku, pričom pôvodné časové údaje a záznam hovoriacich zostávajú dostupné. Tieto výstupy uchovávajte oddelene: opravený pravopis alebo preformátovaná veta si môžu vyžiadať opätovnú kontrolu pred zarovnaním so zvukom alebo použitím v následnej extrakcii. Tieto funkcie spracúvajú prepis; nepotvrdzujú, že každý dôležitý detail bol rozpoznaný správne.

Pri dokončovaní prepisu skontrolujte názvy, čísla, zápory a zmeny hovoriaceho návratom k zodpovedajúcemu zvuku. Venujte pozornosť tichým úsekom, prekrývaniu hlasov a striedaniu jazykov namiesto posudzovania kvality iba podľa plynulosti textu. Neisté znenie ponechajte na opravu namiesto dopĺňania nepočuteľnej pasáže vierohodne znejúcou vetou. Užitočným výsledkom je skontrolovaný textový záznam s časovými údajmi a informáciami o hovoriacich potrebnými na jeho zamýšľané použitie; prepis sa potom môže stať vstupom samostatného kroku zhrnutia, prekladu alebo analýzy.

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions elevenlabs/scribe-v2

elevenlabs/scribe-v2

ElevenLabs /elevenlabs/scribe-v2

Úvod

Povolené vstupy: Audio
Výsledky: Text

Dostupné v Ailoot · vstupy a metódy

Ailoot Ultra · Prepis zvuku POST /v1/audio/transcriptions

Vstup: audio
Výstup: text

Pole	Typ	Požiadavka	Hodnoty a limity	Predvolené
Pole`model`	Typ`string`	PožiadavkaPovinné	Hodnoty a limity elevenlabs/scribe-v2	Predvolené—
Pole`input_audio`	Typ`object`	PožiadavkaPovinné	Hodnoty a limity	Predvolené—

Parametre a životný cyklus metódy

Parameter	Špecifikácia
Parameter`content_type`	Špecifikáciaapplication/json
Parameter`required`	Špecifikáciamodel, input_audio
Parameter`material_types`	Špecifikáciaaudio
Parameter`material_conditions`	ŠpecifikáciaPríklad načíta váš skutočný neprázdny súbor PCM WAV, zakóduje všetky jeho bajty do base64 a odošle input_audio.format s hodnotou wav.

Životný cyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · presné task_id z existujúceho mediálneho záznamu vo vašom vlastníctve

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Cenník

Tarifné údaje nepridávajú možnosti požiadavky. Podporované parametre sú uvedené pri vybranej metóde.

Rýchly režim: Neuvedené Keď je zvolený rýchly režim
Režim Flex: Neuvedené Keď je zvolený režim flex
Maximálna úroveň uvažovania: Neuvedené Keď sa pri maximálnej úrovni uvažovania používa predvolená úprava (default)

Sadzby Ailoot

Ceny podľa konfigurácie

Každý poplatok priraďte k zobrazeným podmienkam. Pre každú skupinu alternatívnych konfigurácií použite jednu sadzbu.

Konfigurácia	Sadzobník	Účtovacia jednotka	Poplatok
KonfiguráciaZákladné sadzby za tokeny	SadzobníkZákladná sadzba	Účtovacia jednotka—	Poplatok Vstup · Vstupné tokeny — / 1K tokenov Výstup · Výstupné tokeny — / 1K tokenov Vstup · Čítanie cache — / 1K tokenov Vstup · Zápis do cache — / 1K tokenov Vstup · Zápis do cache, 1 hod — / 1K tokenov
Konfiguráciasekunda vstupného zvuku	Sadzobník—	Účtovacia jednotkaza sekundu vstupného audia	Poplatok Vstup · sekunda vstupného zvuku $0.0001222222222222 za sekundu vstupného audia

Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →

Príklady požiadaviek

Ailoot Ultra · Prepis zvuku

curl · skutočný súbor WAV a úplný pôvodný výsledok

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.

Prijať a uložiť výsledky

Ailoot Ultra · Prepis zvuku

Celé pôvodné telo odpovede, stav a preposlané hlavičky. Tento obslužný kód nepridáva žiadnu univerzálnu štruktúru JSON, textové pole ani obálku úlohy.

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

Uchovať všetky dokončené výsledky

Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.

Uchovajte úplnú odpoveď a hlavičky, všetky skutočné výstupy, pôvodné vrátené identifikátory a všetky polia s údajmi o spotrebe. Obnovte pôvodnú operáciu bez opätovného odoslania požiadavky na vytvorenie.

Ak treba overiť pôvodnú odpoveď

Zachovajte skutočné X-Client-Request-ID a celú odpoveď. Načítajte pôvodné súbory vo vašom vlastníctve a ich presné podpísané URL obsahu; neisté vytvorenie nikdy znova neodosielajte.

Polia odpovede

Pole	Typ
Pole`text (when present)`	Typ
Pole`usage (when present)`	Typ

Chyby a ďalšie kroky

Odpoveď	Podmienka	Ďalší krok
Odpoveď400 · `invalid_request_error`	PodmienkaTelo JSON alebo explicitné kanonické ID modelu sú neplatné.	Ďalší krokZachovajte odpoveď a opravte označené pole požiadavky.
Odpoveď401 · `authentication_error`	PodmienkaKľúč API služby Ailoot je neplatný.	Ďalší krokPoužite svoj autorizovaný kľúč API služby Ailoot.
Odpoveď403 · `permission_error`	PodmienkaSkupina kľúča nepovoľuje túto metódu.	Ďalší krokZachovajte vrátené podrobnosti chyby.
Odpoveď404 · `not_found_error`	PodmienkaVybraná metóda nemá povolenú trasu.	Ďalší krokZachovajte vrátené podrobnosti chyby.
Odpoveď422 · `price_unavailable`	PodmienkaPrijatá tarifa nedokáže získať požadované množstvo vstupu alebo jeho hranicu.	Ďalší krokZachovajte odpoveď; použite reprezentáciu vstupu vyžadovanú prijatou tarifou.
Odpoveď503 ·	PodmienkaPožadované úložisko, trasa, cena metódy alebo rezervácia nie sú dostupné.	Ďalší krokZachovajte celú pôvodnú odpoveď. Neistá rezervácia nie je povolením na opätovné odoslanie.
Odpoveď502 · `server_error`	PodmienkaPôvodný výsledok, spotreba alebo zúčtovanie vyžadujú kontrolu.	Ďalší krokZachovajte skutočné ID požiadavky a pôvodnú odpoveď. Načítajte existujúci záznam vo vašom vlastníctve; vytvorenie znova neodosielajte.

Aliasy

Aliasy modelov

Ailoot Ultra elevenlabs/scribe-v2

Aliasy ciest metód

Použite cesty metód uvedené vyššie.

Súvisiace ID na volanie

elevenlabs/scribe-v2

FAQ · ElevenLabs: Scribe v2

Aké vstupy a výsledky sú dostupné?: POST /v1/audio/transcriptions · elevenlabs/scribe-v2: audio → text
Aké polia používa požiadavka?: POST /v1/audio/transcriptions · elevenlabs/scribe-v2: model, input_audio

ElevenLabs: Scribe v2