¿Qué es Voz a Texto?
Voz a Texto convierte el audio hablado en texto escrito. En ElevenLabs, nuestro modelo de Voz a Texto es Scribe. Te permite transcribir con precisión el habla en más de 90 idiomas, para que puedas convertir fácilmente el audio en texto legible y con capacidad de búsqueda.
Funciones principales de Scribe
- Precisión líder en el sector, con un 98 % de precisión en idiomas principales como inglés, francés, italiano, portugués, español y alemán.
- Marcas de tiempo precisas a nivel de palabra, para que puedas ver exactamente cuándo se pronuncia cada palabra.
- Diarización inteligente de hablantes, que identifica y separa automáticamente a los distintos hablantes.
- Etiquetado dinámico de audio para detectar sonidos no relacionados con el habla.
- Compatibilidad con hasta 32 hablantes sin perder precisión.
Novedades de Scribe v3
Scribe v3 es nuestro modelo de Voz a Texto más preciso. En comparación con Scribe v2, ofrece:
- Menos errores de transcripción. En el benchmark FLEURS para 102 idiomas, Scribe v3 comete un 27 % menos de errores de palabras que Scribe v2.
- Etiquetas de hablantes más precisas en audios con varios hablantes.
- Formato de números. A través de la API, puedes elegir si los números se escriben como dígitos o como palabras.
- Idiomas secundarios. A través de la API, puedes indicar otros idiomas que esperas encontrar en el audio para mejorar la precisión en audio con varios idiomas.
Scribe v3 mantiene las capacidades introducidas en Scribe v2:
- Indicaciones de términos clave. Puedes proporcionar hasta 100 palabras o frases para guiar al modelo a transcribir correctamente términos importantes. El uso de indicaciones de términos clave aumenta el coste un 20 %.
- Detección de entidades. Puedes elegir categorías específicas de información para detectar en la transcripción, como números de tarjeta de crédito, nombres o afecciones médicas. La detección de entidades solo está disponible mediante la API y aumenta el coste un 30 %.
- Compatibilidad inteligente con varios idiomas. Puedes enviar audio que contenga varios idiomas y Scribe detectará y transcribirá automáticamente cada uno correctamente.
- Mayor estabilidad. Scribe gestiona pausas, cambios de tono y silencios prolongados
sin interrupciones ni pérdida de precisión.
¿Qué versión debes usar?
Recomendamos Scribe v3 (scribe_v3) cuando necesites una transcripción de alta precisión. Está disponible a través de nuestro sitio web y la API. Al usar Voz a Texto desde nuestro sitio web, Scribe v3 es el modelo predeterminado. Los espacios de trabajo en entornos de residencia de datos usan Scribe v2.
Para audio médico y clínico, usa Scribe v2 Medical (scribe_v2_medical) a través de la misma API. Se factura a la misma tarifa que Scribe v2.
Para casos de uso en tiempo real, recomendamos Scribe v3 Live (scribe_v3_live), disponible mediante la API en tiempo real. ElevenAgents usa Scribe v2 Realtime de forma predeterminada.
Para obtener más información, consulta nuestra documentación de Voz a Texto.