ElevenLabs: Scribe v2

ElevenLabs Scribe v2 ถอดเสียงที่บันทึกไว้ในมากกว่า 90 ภาษา พร้อมข้อมูลเวลาระดับคำ การแยกผู้พูดที่เลือกเปิดได้ และแท็กเหตุการณ์ที่ไม่ใช่คำพูด ออกแบบมาสำหรับไฟล์บันทึกยาว คำบรรยาย และข้อความถอดเสียงที่แก้ไขได้ โดยรองรับคำสำคัญตามบริบทและตัวเลือกถอดตามคำพูดทุกคำหรือเกลาข้อความให้อ่านง่าย

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

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

ElevenLabs Scribe v2 เป็นโมเดลรู้จำเสียงพูดแบบ batch สำหรับเสียงที่บันทึกไว้ การถอดเสียง และการทำคำบรรยาย พัฒนาต่อยอดจาก Scribe v1 โดยจัดการไฟล์บันทึกยาว การหยุดพัก การเปลี่ยนน้ำเสียง และช่วงเงียบยาวได้ดีขึ้น ผลลัพธ์เป็นคำพูดที่เขียนเป็นข้อความพร้อมข้อมูลเวลา และคำกำกับผู้พูดกับเหตุการณ์เสียงที่เลือกเปิดได้ Scribe v2 Realtime เป็นรุ่นถอดเสียงสดแยกต่างหาก ส่วนโมเดลนี้มีจุดประสงค์เพื่อประมวลผลไฟล์บันทึกที่ครบถ้วน

ผู้สร้างระบุในเอกสารว่ารู้จำได้มากกว่า 90 ภาษาและตรวจจับภาษาอัตโนมัติ รวมถึงไฟล์บันทึกที่สลับภาษา คำใบ้ภาษาที่ทราบช่วยให้โมเดลตีความเสียงได้ เตรียมไฟล์บันทึกที่ชัดเจน คงภาษาและชื่อต้นฉบับ และหลีกเลี่ยงเสียงแตกจากการตัดยอดสัญญาณอย่างรุนแรงหรือการประมวลผลที่ไม่จำเป็นซึ่งตัดรายละเอียดคำพูดออก รูปแบบนำเข้าทั่วไปที่เอกสารระบุ ได้แก่ WAV, MP3, FLAC, M4A, AAC, OGG, Opus และ WebM เลือกวิธีส่งข้อมูลนำเข้าที่ระบบถอดเสียงรองรับและเก็บไฟล์บันทึกต้นฉบับไว้สำหรับตรวจทาน

คำตอบมาตรฐานมีข้อความที่รู้จำ ข้อมูลภาษาที่ตรวจพบ และลำดับคำพร้อมข้อมูลเวลา บันทึกคำอาจมีเวลาเริ่มและสิ้นสุด รหัสผู้พูด และค่า log-probability ของการรู้จำ ข้อมูลเหล่านี้ทำให้ผลลัพธ์มีประโยชน์สำหรับคำบรรยาย บทสัมภาษณ์ที่ค้นหาได้ หรือตัวแก้ไขที่ข้ามกลับไปยังเสียงที่เกี่ยวข้อง เก็บผลลัพธ์พร้อมข้อมูลเวลาไว้กับเสียงต้นฉบับ ตัวอย่างเช่น สำหรับพอดแคสต์ ผลงานอาจเป็นข้อความถอดเสียงที่แก้ไขได้และบันทึกที่จัดแนวตามคำ ซึ่งช่วยระบุตำแหน่งที่ต้องแก้ก่อนจัดคำบรรยาย

การแยกผู้พูดติดป้ายว่าใครพูดเมื่อใดในเสียงที่มีหลายคน โดยผู้สร้างระบุว่ารองรับสูงสุด 32 คน เปิดใช้เมื่อเทิร์นผู้พูดมีความสำคัญ และระบุจำนวนผู้พูดที่สมเหตุสมผลหากทราบข้อมูลนั้น แยกป้ายผู้พูดที่ตรวจพบออกจากชื่อบุคคลที่ยืนยันแล้ว สำหรับบทสัมภาษณ์หรือประชุม ให้ทบทวนการเปลี่ยนเทิร์นเทียบกับไฟล์บันทึก โดยเฉพาะจุดที่เสียงซ้อนกันหรือคล้ายกัน ป้ายช่วยจัดระเบียบข้อความถอดเสียง แต่ไม่ได้ยืนยันตัวตนผู้พูดด้วยตัวเอง

ไฟล์บันทึกที่มีผู้พูดหนึ่งคนต่อช่องมีโครงสร้างต่างจากหลายเสียงที่ผสมไว้ในช่องเดียว อินเทอร์เฟซผู้ผลิตสามารถประมวลผลได้สูงสุดห้าช่องอย่างอิสระ และส่งกลับข้อความถอดเสียงแยกกันหรือข้อความรวมเรียงตามเวลา พร้อมดัชนีช่อง คงการจัดช่องนั้นไว้เมื่อมีความหมาย การรวมช่องของบันทึกสายสนทนาที่แยกมาแล้วก่อนถอดเสียงอาจทิ้งแหล่งข้อมูลผู้พูดที่มีประโยชน์ แยกการระบุผู้พูดตามช่องออกจากการแยกผู้พูดที่อนุมานจากเสียงผสม คำตอบแบบรวมช่องต้องมีข้อมูลเวลาและไม่สามารถใช้การตรวจจับหรือปกปิดเอนทิตีร่วมด้วย

การป้อนคำสำคัญนำทางการรู้จำชื่อ ศัพท์ผลิตภัณฑ์ และศัพท์เฉพาะด้วยบริบท เอกสาร batch ปัจจุบันอนุญาตสูงสุด 1,000 รายการ โดยแต่ละรายการต้องน้อยกว่า 50 อักขระและไม่เกินห้าคำ ป้อนการสะกดที่เกี่ยวข้องแทนแค็ตตาล็อกกว้าง ๆ ที่ไม่เกี่ยวข้อง สำหรับบทสัมภาษณ์ทางเทคนิค ให้ป้อนชื่อผลิตภัณฑ์และคำย่อที่น่าจะปรากฏ แล้วตรวจตรงข้อมูลเวลาของคำนั้นในผลลัพธ์ คำสำคัญช่วยโน้มการรู้จำ แต่ไม่ใช่คำสั่งให้แทรกคำเมื่อไฟล์บันทึกไม่มีข้อมูลรองรับ

เลือกจุดประสงค์ของข้อความถอดเสียงก่อนเกลาข้อความ บันทึกแบบ verbatim คงถ้อยคำที่พูดไว้ ส่วนตัวเลือก no-verbatim ตามเอกสารนำคำเติม การเริ่มพูดแล้วหยุดใหม่ และความไม่ลื่นไหลออก เพื่อให้ผลลัพธ์อ่านง่ายขึ้น การติดแท็กเสียงแบบไดนามิกสามารถระบุเหตุการณ์ที่ไม่ใช่คำพูด เช่น เสียงหัวเราะหรือเสียงฝีเท้า ข้อความถอดเสียงที่เกลาแล้วอาจมีประโยชน์สำหรับคำบรรยายหรือการอ่าน แต่ไม่ควรแทนบันทึกดิบโดยไม่แจ้งเมื่องานให้ความสำคัญกับการพูดซ้ำ คำแก้ไข หรือเสียงที่ไม่ใช่คำพูด

ผู้สร้างยังอธิบายการตรวจจับเอนทิตีและการแก้ไขข้อความถอดเสียงแบบทดลอง ในอินเทอร์เฟซผู้ผลิต การแก้ไขข้อความถอดเสียงไม่สามารถใช้ร่วมกับการตรวจจับเอนทิตี การปกปิดเอนทิตี หรือการถอดเสียงหลายช่อง เอนทิตีที่ตรวจพบให้ตำแหน่งแบบมีโครงสร้างของข้อมูลบางชนิดในข้อความถอดเสียง การปกปิดเอนทิตีที่เลือกเปิดได้ปิดบังข้อความที่ตรวจพบด้วยป้ายกำกับแทนที่ โดยอาศัยการตรวจจับเอนทิตี และจะไม่ส่งรายการเอนทิตีกลับเมื่อเปิดการปกปิด การปกปิดเกิดขึ้นระหว่างถอดเสียง โดยใช้เครื่องหมายแทนที่ทั่วไป ป้ายหมวดหมู่ หรือป้ายหมวดหมู่ที่มีหมายเลข การปกปิดอัตโนมัติอาจพลาดเนื้อหาอ่อนไหว จึงควรตรวจข้อความที่ปกปิดแล้วก่อนแชร์ การแก้ไขด้วยภาษาธรรมชาติส่งข้อความที่แก้ไขแล้วกลับมาพร้อมผลลัพธ์ต้นฉบับ โดยยังคงบันทึกเวลาและผู้พูดต้นฉบับให้ใช้ได้ เก็บผลงานเหล่านั้นแยกกัน การแก้การสะกดหรือจัดรูปประโยคใหม่อาจต้องตรวจอีกครั้งก่อนจัดแนวกับเสียงหรือนำไปสกัดข้อมูลปลายทาง คุณสมบัติเหล่านี้ประมวลผลข้อความถอดเสียง ไม่ได้ยืนยันว่ารายละเอียดสำคัญทุกอย่างรู้จำถูกต้อง

สำหรับข้อความถอดเสียงที่เสร็จสมบูรณ์ ให้ทบทวนชื่อ ตัวเลข คำปฏิเสธ และการเปลี่ยนผู้พูดโดยกลับไปฟังเสียงตรงตำแหน่งนั้น ใส่ใจช่วงเสียงเบา เสียงซ้อน และการสลับภาษา แทนการตัดสินคุณภาพจากข้อความที่ลื่นไหลเพียงอย่างเดียว คงถ้อยคำที่ไม่แน่นอนไว้เพื่อแก้ไข แทนการเติมช่วงที่ฟังไม่ออกด้วยประโยคที่ดูเป็นไปได้ ผลลัพธ์ที่มีประโยชน์คือบันทึกข้อความที่ตรวจสอบแล้ว พร้อมข้อมูลเวลาและผู้พูดตามที่การใช้งานต้องการ จากนั้นข้อความถอดเสียงจึงเป็นข้อมูลนำเข้าสำหรับขั้นตอนสรุป แปล หรือวิเคราะห์ที่แยกต่างหากได้

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

elevenlabs/scribe-v2

ElevenLabs /elevenlabs/scribe-v2

เริ่มต้น

อินพุตที่รองรับ: เสียง
ผลลัพธ์: ข้อความ

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot Ultra · การถอดเสียง POST /v1/audio/transcriptions

ขาเข้า: audio
ขาออก: text

ฟิลด์	ประเภท	ข้อกำหนด	ค่าและข้อจำกัด	ค่าเริ่มต้น
ฟิลด์`model`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด elevenlabs/scribe-v2	ค่าเริ่มต้น—
ฟิลด์`input_audio`	ประเภท`object`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด	ค่าเริ่มต้น—

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`content_type`	ข้อกำหนดapplication/json
พารามิเตอร์`required`	ข้อกำหนดmodel, input_audio
พารามิเตอร์`material_types`	ข้อกำหนดaudio
พารามิเตอร์`material_conditions`	ข้อกำหนดตัวอย่างนี้อ่านไฟล์ PCM WAV จริงของคุณที่ไม่ว่าง เข้ารหัสไบต์ทั้งหมดของไฟล์เป็น base64 และส่ง input_audio.format เป็น wav

วงจรการทำงาน: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · task_id ที่ตรงตามบันทึกสื่อเดิมซึ่งเป็นของคุณ

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

ราคา

ข้อมูลอัตราราคาไม่ได้เพิ่มตัวเลือกคำขอ พารามิเตอร์ที่รองรับระบุไว้สำหรับเมธอดที่เลือก

โหมดรวดเร็ว: ไม่ได้ระบุ เมื่อเลือกโหมดรวดเร็ว
โหมดยืดหยุ่น: ไม่ได้ระบุ เมื่อเลือกโหมด flex
ระดับการใช้เหตุผลสูงสุด: ไม่ได้ระบุ เมื่อใช้การปรับตามค่าเริ่มต้น (default) สำหรับระดับการใช้เหตุผลสูงสุด

อัตราค่าบริการ Ailoot

ราคาตามการตั้งค่า

เทียบค่าบริการแต่ละรายการกับเงื่อนไขที่แสดง เลือกใช้อัตราเดียวสำหรับแต่ละชุดการตั้งค่าที่เป็นตัวเลือกทดแทนกัน

การตั้งค่า	ตารางอัตราค่าบริการ	หน่วยคิดค่าบริการ	ค่าบริการ
การตั้งค่าอัตราค่าบริการโทเคนพื้นฐาน	ตารางอัตราค่าบริการอัตราพื้นฐาน	หน่วยคิดค่าบริการ—	ค่าบริการ ขาเข้า · โทเค็นอินพุต — / 1K โทเค็น ขาออก · โทเค็นเอาต์พุต — / 1K โทเค็น ขาเข้า · การอ่านแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช, 1 ชั่วโมง — / 1K โทเค็น
การตั้งค่าวินาทีเสียงขาเข้า	ตารางอัตราค่าบริการ—	หน่วยคิดค่าบริการต่อวินาทีของเสียงอินพุต	ค่าบริการ ขาเข้า · วินาทีเสียงขาเข้า $0.0001222222222222 ต่อวินาทีของเสียงอินพุต

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot Ultra · การถอดเสียง

curl · ไฟล์ WAV จริงและผลลัพธ์ต้นฉบับที่ครบถ้วน

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.

รับและบันทึกผลลัพธ์

Ailoot Ultra · การถอดเสียง

เนื้อหาการตอบกลับเดิมทั้งหมด สถานะ และส่วนหัวที่ส่งต่อ ตัวจัดการนี้ไม่เพิ่มโครงสร้าง JSON ฟิลด์ข้อความ หรือโครงสร้างห่อหุ้มงานแบบสากล

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

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน

เก็บการตอบกลับและส่วนหัวให้ครบถ้วน เก็บผลลัพธ์จริงทุกรายการ ตัวระบุที่ส่งกลับมาแต่เดิม และฟิลด์ข้อมูลการใช้งานทั้งหมด กู้คืนการดำเนินการเดิมโดยไม่ส่งคำขอสร้างซ้ำ

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

เก็บ X-Client-Request-ID จริงและการตอบกลับทั้งหมด อ่านแอสเซ็ตเดิมที่เป็นของคุณและ URL เนื้อหาที่ลงลายเซ็นตรงตามที่ส่งกลับ ห้ามส่งคำขอสร้างที่ยังไม่แน่ชัดซ้ำ

ฟิลด์การตอบกลับ

ฟิลด์	ประเภท
ฟิลด์`text (when present)`	ประเภท
ฟิลด์`usage (when present)`	ประเภท

ข้อผิดพลาดและขั้นตอนถัดไป

การตอบกลับ	เงื่อนไข	ขั้นตอนถัดไป
การตอบกลับ400 · `invalid_request_error`	เงื่อนไขเนื้อหา JSON หรือ ID โมเดลมาตรฐานที่ระบุชัดเจนไม่ถูกต้อง	ขั้นตอนถัดไปเก็บการตอบกลับและแก้ไขฟิลด์คำขอที่ระบุ
การตอบกลับ401 · `authentication_error`	เงื่อนไขคีย์ API ของ Ailoot ไม่ถูกต้อง	ขั้นตอนถัดไปใช้คีย์ API ของ Ailoot ที่คุณได้รับอนุญาต
การตอบกลับ403 · `permission_error`	เงื่อนไขกลุ่มคีย์ไม่อนุญาตให้ใช้เมธอดนี้	ขั้นตอนถัดไปเก็บรายละเอียดข้อผิดพลาดที่ส่งกลับไว้
การตอบกลับ404 · `not_found_error`	เงื่อนไขเมธอดที่เลือกไม่มีเส้นทางที่ได้รับอนุญาต	ขั้นตอนถัดไปเก็บรายละเอียดข้อผิดพลาดที่ส่งกลับไว้
การตอบกลับ422 · `price_unavailable`	เงื่อนไขอัตราค่าบริการที่ยอมรับไม่สามารถระบุปริมาณข้อมูลขาเข้าหรือขอบเขตที่จำเป็นได้	ขั้นตอนถัดไปเก็บการตอบกลับไว้ ใช้รูปแบบข้อมูลขาเข้าที่อัตราค่าบริการที่ยอมรับกำหนดไว้
การตอบกลับ503 ·	เงื่อนไขที่เก็บข้อมูล เส้นทาง ราคาเมธอด หรือการกันวงเงินที่จำเป็นไม่พร้อมใช้งาน	ขั้นตอนถัดไปเก็บการตอบกลับเดิมทั้งหมด การกันวงเงินที่ไม่แน่นอนไม่อนุญาตให้ส่งซ้ำ
การตอบกลับ502 · `server_error`	เงื่อนไขต้องตรวจสอบผลลัพธ์ การใช้งาน หรือการชำระบัญชีเดิม	ขั้นตอนถัดไปเก็บ ID คำขอจริงและการตอบกลับเดิม อ่านบันทึกเดิมที่เป็นของคุณ อย่าส่งคำขอสร้างซ้ำ

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot Ultra elevenlabs/scribe-v2

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

elevenlabs/scribe-v2

FAQ · ElevenLabs: Scribe v2

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/transcriptions · elevenlabs/scribe-v2: audio → text
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/transcriptions · elevenlabs/scribe-v2: model, input_audio

ElevenLabs: Scribe v2