ElevenLabs: Scribe v2

ElevenLabs Scribe v2 är modellen för taligenkänning i batch för inspelat ljud, transkribering och undertextning, även med ljudbeskrivande textning. Den bygger vidare på Scribe v1 med förbättrad hantering av långa inspelningar, pauser, tonfallsförändringar och längre tystnad. Resultatet är skriftligt återgivet tal med tidsinformation och valfria annoteringar av talare och ljudhändelser. Scribe v2 Realtime är en separat utgåva för direkttranskribering; denna modells syfte är att bearbeta fullständiga inspelningar.

Tillverkaren dokumenterar igenkänning på fler än 90 språk och automatisk språkidentifiering, inklusive inspelningar med språkväxling. En uppgift om det kända språket kan hjälpa modellen att tolka ljudet. Förbered en tydlig inspelning, bevara originalspråket och namnen och undvik kraftig klippdistorsion eller onödig bearbetning som tar bort detaljer i talet. Vanliga dokumenterade indataformat är WAV, MP3, FLAC, M4A, AAC, OGG, Opus och WebM. Välj en representation av indata som transkriberingsimplementationen stöder och bevara källinspelningen för granskning.

Standardsvaret innehåller den igenkända texten, information om det identifierade språket och en följd av tidsatta ord. Ordposterna kan innehålla start- och sluttider, talaridentifierare och en logaritmerad sannolikhet för igenkänningen. Det gör resultatet användbart för undertexter, sökbara intervjuer eller en redigerare som hoppar tillbaka till motsvarande ljud. Spara det tidsatta resultatet tillsammans med källjudet. För en podd kan leveransen exempelvis vara ett redigerbart transkript och ett ordtidsatt underlag som gör det möjligt att hitta korrigeringar innan undertexterna arrangeras.

Talardiarisering märker upp vem som talar när i ljud med flera talare, med upp till 32 talare enligt tillverkarens dokumentation. Aktivera den när talarbyten är viktiga och ange ett rimligt antal talare om den informationen är känd. Skilj en detekterad talaretikett från en verifierad persons namn. För en intervju eller ett möte kontrollerar du talarbyten mot inspelningen, särskilt där röster överlappar eller låter lika. En etikett hjälper till att organisera transkriptet; den fastställer inte på egen hand talarens identitet.

En inspelning med en talare per kanal har en annan struktur än flera röster som blandats i en kanal. Leverantörens gränssnitt kan bearbeta upp till fem kanaler oberoende av varandra och returnera separata transkript eller ett kombinerat transkript i tidsordning med kanalindex. Bevara kanalstrukturen när den är betydelsefull. Om en kanaluppdelad samtalsinspelning slås ihop före transkriberingen kan en användbar källa till talarinformation gå förlorad. Skilj kanalbaserad talartilldelning från diariseringsresultat som härletts ur blandat ljud. Svaret med kombinerade kanaler kräver tidsstämplar och kan inte innehålla entitetsidentifiering eller maskering.

Nyckeltermer i prompten vägleder igenkänningen av namn, produkttermer och fackvokabulär utifrån sammanhanget. Den aktuella batchdokumentationen tillåter upp till 1 000 termer, där varje term ska vara kortare än 50 tecken och bestå av högst fem ord. Ge relevanta stavningar i stället för en bred, orelaterad katalog. För en teknisk intervju anger du de produktnamn och förkortningar som sannolikt förekommer och kontrollerar dem sedan vid deras tidsangivelser i resultatet. Nyckeltermer styr igenkänningen; de är inte instruktioner att infoga en term som inspelningen inte ger stöd för.

Bestäm transkriptets syfte innan du tillämpar språklig bearbetning. En ordagrann återgivning behåller den talade ordalydelsen, medan det dokumenterade alternativet no-verbatim tar bort utfyllnadsord, avbrutna ansatser och andra avbrott i talflytet för ett mer lättläst resultat. Dynamisk ljudtaggning kan identifiera händelser som inte är tal, exempelvis skratt eller fotsteg. Ett bearbetat transkript kan vara användbart för undertexter eller läsning, men bör inte tyst ersätta råtranskriptet när upprepningar, korrigeringar eller andra ljud än tal är viktiga för uppgiften.

Tillverkaren dokumenterar också entitetsidentifiering och experimentell transkriptredigering. Transkriptredigering kan inte kombineras med entitetsidentifiering, entitetsmaskering eller flerkanalstranskribering i leverantörens gränssnitt. Identifierade entiteter ger strukturerade positionsuppgifter för utvald information i transkriptet. Valfri entitetsmaskering döljer identifierad text med ersättningsetiketter; den förutsätter entitetsidentifiering och entitetslistan returneras inte när maskering är aktiverad. Maskeringen sker under transkriberingen med en generell ersättningsmarkör, en kategorietikett eller en numrerad kategorietikett. Automatisk maskering kan missa känsligt innehåll, så granska det maskerade transkriptet innan du delar det. En redigering med naturligt språk returnerar en redigerad text tillsammans med originalresultatet, medan det ursprungliga underlaget för tidsangivelser och talare finns kvar. Håll dessa resultat åtskilda: en korrigerad stavning eller omformaterad mening kan behöva kontrolleras på nytt innan den anpassas till ljudets tidslinje eller används i en efterföljande extraktion. Funktionerna bearbetar transkriptet; de fastställer inte att varje viktig detalj har uppfattats korrekt.

För ett färdigt transkript granskar du namn, tal, negationer och talarbyten genom att återvända till motsvarande ljud. Uppmärksamma tysta avsnitt, överlappningar och språkväxlingar i stället för att bedöma kvaliteten enbart utifrån välformulerad text. Behåll osäker ordalydelse för korrigering i stället för att fylla ett ohörbart avsnitt med en plausibel mening. Det användbara resultatet är ett kontrollerat textunderlag med den tidsinformation och talarinformation som behövs för den avsedda användningen; ett transkript kan sedan bli indata för ett separat steg för sammanfattning, översättning eller analys.