Créer une transcription

L’ID du modèle à utiliser pour la transcription.

Le fichier à transcrire (durée audio minimale de 100 ms). Tous les principaux formats audio et vidéo sont pris en charge. Un seul des paramètres file ou cloud_storage_url doit être fourni. La taille du fichier doit être inférieure à 5,0 Go.

An ISO-639-1 or ISO-639-3 language_code corresponding to the language of the audio file. Can sometimes improve transcription performance if known beforehand. Defaults to null, in this case the language is predicted automatically.

Instruction en langage naturel appliquée à la transcription finale (2 000 caractères maximum). Le texte modifié est renvoyé dans ‘edited_transcript’, avec la transcription originale. Ne peut pas être combinée avec entity_detection, entity_redaction ou use_multi_channel. L’utilisation de ce paramètre entraîne un supplément de 30 % sur le coût de base de la transcription, facturé pour au moins 10 secondes d’audio.

Indique s’il faut baliser les événements audio comme (rires), (pas), etc. dans la transcription.

Le nombre maximal de locuteurs parlant dans le fichier importé. Peut aider à prédire qui parle à quel moment. Le nombre maximal de locuteurs pouvant être prédits est de 32. La valeur par défaut est null ; dans ce cas, le nombre de locuteurs est défini sur la valeur maximale prise en charge par le modèle.

La granularité des horodatages dans la transcription. « word » fournit des horodatages au niveau des mots et « character » fournit des horodatages au niveau des caractères pour chaque mot.

Indique s’il faut annoter le locuteur qui parle actuellement dans le fichier importé.

Seuil de diarisation à appliquer lors de la diarisation des locuteurs. Une valeur plus élevée réduit le risque qu’un même locuteur soit identifié comme deux locuteurs différents, mais augmente le risque que deux locuteurs différents soient identifiés comme un seul locuteur, avec moins de locuteurs prédits au total. Une valeur faible augmente le risque qu’un même locuteur soit identifié comme deux locuteurs différents, mais réduit le risque que deux locuteurs différents soient identifiés comme un seul locuteur, avec davantage de locuteurs prédits au total. Ne peut être défini que lorsque diarize=True et num_speakers=None. La valeur par défaut est None, auquel cas nous choisissons un seuil en fonction de model_id, généralement 0.22.

Liste des formats supplémentaires vers lesquels exporter la transcription.

The format of input audio. Options are ‘pcm_s16le_16’ or ‘other’ For pcm_s16le_16, the input audio must be 16-bit PCM at a 16kHz sample rate, single channel (mono), and little-endian byte order. Latency will be lower than with passing an encoded waveform.

[Obsolète] Ce paramètre est obsolète et sera supprimé à l’avenir. Utilisez plutôt « source_url ». URL HTTPS du fichier à transcrire. Un seul des paramètres file ou cloud_storage_url doit être fourni. Le fichier doit être accessible via HTTPS et sa taille doit être inférieure à 2 Go. Toute URL HTTPS valide est acceptée, y compris les URL de fournisseurs de stockage cloud (AWS S3, Google Cloud Storage, Cloudflare R2, etc.), de CDN ou de toute autre source HTTPS. Les URL peuvent être pré-signées ou inclure des jetons d’authentification dans les paramètres de requête.

L’URL d’un fichier audio ou vidéo à transcrire. Prend en charge les fichiers audio ou vidéo hébergés, les URL de vidéos YouTube et TikTok, ainsi que d’autres services d’hébergement de vidéos.

Indique s’il faut envoyer le résultat de la transcription aux webhooks Speech to Text configurés. Si cette option est définie, la requête renvoie une réponse anticipée sans la transcription, qui sera fournie ultérieurement via webhook.

ID de webhook spécifique facultatif auquel envoyer le résultat de la transcription. Valide uniquement lorsque webhook est défini sur true. Si aucun ID n’est fourni, la transcription sera envoyée à tous les webhooks Speech to Text configurés.

Contrôle le caractère aléatoire du résultat de la transcription. Accepte des valeurs comprises entre 0,0 et 2,0, les valeurs plus élevées produisant des résultats plus variés et moins déterministes. Si ce paramètre est omis, nous utiliserons une température basée sur le modèle sélectionné, généralement égale à 0.

Si spécifié, notre système fera de son mieux pour échantillonner de manière déterministe, afin que des requêtes répétées avec la même graine et les mêmes paramètres renvoient le même résultat. Le déterminisme n’est pas garanti. Doit être un entier compris entre 0 et 2147483647.

Indique si le fichier audio contient plusieurs canaux, chaque canal ne contenant qu’un seul locuteur. Lorsqu’elle est activée, chaque canal est transcrit indépendamment. Par défaut, une transcription distincte est renvoyée par canal. Définissez multichannel_output_style=‘combined’ pour recevoir à la place une seule transcription, avec tous les canaux fusionnés et triés par heure. Chaque mot de la réponse inclut un champ ‘channel_index’ indiquant le canal sur lequel il a été prononcé. Jusqu’à 5 canaux sont pris en charge. Chaque canal est facturé indépendamment pour la durée audio complète, le coût augmente donc linéairement avec le nombre de canaux.

Contrôle le format de réponse lorsque use_multi_channel est activé. « separate » (valeur par défaut) renvoie une transcription par canal sous « transcripts ». « combined » fusionne tous les canaux en une seule transcription dont les mots sont triés par heure de début, chacun portant un « channel_index », conformément au format de réponse à canal unique. « combined » nécessite des horodatages (timestamps_granularity ne doit pas être « none ») et ne prend pas en charge la détection ni la suppression d’entités.

Métadonnées facultatives à inclure dans la réponse du webhook. Il doit s’agir d’une chaîne JSON représentant un objet d’une profondeur maximale de 2 niveaux et d’une taille maximale de 16 Ko. Utile pour suivre des ID internes, des références de tâches ou d’autres informations contextuelles.

Détecte les entités dans la transcription. Peut être défini sur « all » pour détecter toutes les entités, sur une chaîne correspondant à un type d’entité ou une catégorie, ou sur une liste de types d’entités ou de catégories. Les catégories incluent « pii », « phi », « pci », « other » et « offensive_language ». Lorsqu’elle est activée, les entités détectées sont renvoyées dans le champ « entities » avec leur texte, leur type et leurs positions en caractères.

Si true, la transcription ne contiendra aucun mot de remplissage, faux départ ni son non verbal. Uniquement pris en charge avec le modèle scribe_v2.

Indique s’il faut utiliser la bibliothèque de locuteurs pour identifier les locuteurs connus lors de la diarisation. Lorsque cette option est activée et que diarize est true, les locuteurs détectés sont comparés aux locuteurs enregistrés dans la bibliothèque de locuteurs du Workspace.

Indique s’il faut détecter les rôles des locuteurs (agent ou client). Nécessite diarize=true. Ne peut pas être utilisé avec use_multi_channel=true. Lorsqu’il est activé, les valeurs de speaker_id sont « agent » et « customer » au lieu de « speaker_0 », « speaker_1 », etc. Son utilisation entraîne un supplément de 10 % sur le coût de base de la transcription.

Masque les entités dans le texte de la transcription. Accepte le même format que entity_detection : « all », une catégorie (« pii », « phi ») ou des types d’entités spécifiques. Doit être un sous-ensemble de entity_detection. Lorsque le masquage est activé, le champ entities n’est pas renvoyé.

Méthode de formatage des entités masquées. ‘redacted’ remplace par {REDACTED}, ‘entity_type’ remplace par {ENTITY_TYPE}, et ‘enumerated_entity_type’ remplace par {ENTITY_TYPE_N}, où N numérote chaque occurrence. Utilisé uniquement lorsque entity_redaction est défini.

Liste de termes clés permettant d’orienter la transcription. Les termes clés sont des mots ou expressions que vous souhaitez voir reconnus plus précisément par le modèle. Leur nombre ne peut pas dépasser 1 000. Chaque terme clé doit comporter moins de 50 caractères. Les termes clés peuvent contenir au maximum 5 mots, après normalisation. Par exemple : [“hello”, “world”, “technical term”]. Les caractères suivants ne sont pas pris en charge : <, >, {, }, [, ], \. L’utilisation de ce paramètre entraîne un supplément de 20 % sur le coût de base de la transcription. Lorsque plus de 100 termes clés sont fournis, une durée minimale facturable de 20 secondes s’applique par requête.