Was ist Speech to Text?
Speech to Text wandelt gesprochene Audiodaten in geschriebenen Text um. Unser Speech-to-Text-Modell bei ElevenLabs heißt Scribe. Damit können Sie Sprache in über 90 Sprachen präzise transkribieren und Audio einfach in lesbaren, durchsuchbaren Text umwandeln.
Hauptfunktionen von Scribe
- Branchenführende Genauigkeit mit 98 % Genauigkeit in wichtigen Sprachen wie Englisch, Französisch, Italienisch, Portugiesisch, Spanisch und Deutsch.
- Präzise Zeitstempel auf Wortebene, damit Sie genau sehen, wann jedes Wort gesprochen wird.
- Intelligente Sprecherdiarisierung, die verschiedene Sprecher automatisch erkennt und trennt.
- Dynamische Audio-Tags zur Erkennung nicht sprachlicher Geräusche.
- Unterstützung für bis zu 32 Sprecher bei hoher Genauigkeit.
Neu in Scribe v3
Scribe v3 ist unser genauestes Speech-to-Text-Modell. Im Vergleich zu Scribe v2 bietet es:
- Weniger Transkriptionsfehler. Im FLEURS-Benchmark für 102 Sprachen macht Scribe v3 27 % weniger Wortfehler als Scribe v2.
- Genauere Sprecherbezeichnungen bei Audio mit mehreren Sprechern.
- Zahlenformatierung. Über die API können Sie wählen, ob Zahlen als Ziffern oder als Wörter geschrieben werden.
- Sekundärsprachen. Über die API können Sie weitere im Audio erwartete Sprachen angeben, um die Genauigkeit bei mehrsprachigem Audio zu verbessern.
Scribe v3 behält die mit Scribe v2 eingeführten Funktionen bei:
- Keyterm Prompting. Sie können bis zu 100 Wörter oder Phrasen angeben, um das Modell bei der korrekten Transkription wichtiger Begriffe zu unterstützen. Die Verwendung von Keyterm Prompting erhöht die Kosten um 20 %.
- Entitätserkennung. Sie können bestimmte Informationskategorien auswählen, die im Transkript erkannt werden sollen, etwa Kreditkartennummern, Namen oder medizinische Erkrankungen. Die Entitätserkennung ist nur über die API verfügbar und kostenlos enthalten.
- Intelligente Unterstützung mehrerer Sprachen. Sie können Audio mit mehreren Sprachen einreichen, und Scribe erkennt und transkribiert jede Sprache automatisch korrekt.
- Verbesserte Stabilität. Scribe verarbeitet Pausen, Tonwechsel und lange Stille
ohne Unterbrechungen oder Genauigkeitsverlust.
Welche Version sollten Sie verwenden?
Wir empfehlen Scribe v3 (scribe_v3), wenn Transkriptionen mit hoher Genauigkeit erforderlich sind. Es ist über unsere Website und API verfügbar. Bei der Nutzung von Speech to Text über unsere Website ist Scribe v3 das Standardmodell. Workspaces in Umgebungen mit Datenresidenz verwenden Scribe v2.
Für medizinische und klinische Audiodaten verwenden Sie Scribe v2 Medical (scribe_v2_medical) über dieselbe API. Die Abrechnung erfolgt zum gleichen Preis wie bei Scribe v2.
Für Echtzeitanwendungen empfehlen wir Scribe v3 Live (scribe_v3_live), verfügbar über die Echtzeit-API. ElevenAgents verwendet standardmäßig Scribe v2 Realtime.
Weitere Informationen finden Sie in unserer Speech-to-Text-Dokumentation.