Qu’est-ce que Speech to Text ?

Speech to Text convertit l’audio parlé en texte écrit. Chez ElevenLabs, notre modèle Speech to Text est Scribe. Il vous permet de transcrire avec précision la parole dans plus de 90 langues afin de transformer facilement l’audio en texte lisible et consultable.

Fonctionnalités clés de Scribe

• Grande précision, avec 98 % de précision dans les principales langues comme l’anglais, le français, l’italien, le portugais, l’espagnol et l’allemand.
• Horodatages précis au niveau des mots, pour voir exactement quand chaque mot est prononcé.
• Diarisation intelligente des locuteurs, qui identifie et sépare automatiquement les différents locuteurs.
• Balises audio dynamiques pour détecter les sons autres que la parole.
• Prise en charge de մինչև 32 locuteurs tout en maintenant une grande précision.

Nouveautés de Scribe v3

Scribe v3 est notre modèle Speech to Text le plus précis. Par rapport à Scribe v2, il offre :

• Moins d’erreurs de transcription. Lors du benchmark FLEURS sur 102 langues, Scribe v3 commet 27 % d’erreurs de mots en moins que Scribe v2.
• Des étiquettes de locuteurs plus précises pour les audios comportant plusieurs locuteurs.
• Mise en forme des nombres. Via l’API, vous pouvez choisir si les nombres sont écrits en chiffres ou en toutes lettres.
• Langues secondaires. Via l’API, vous pouvez indiquer d’autres langues attendues dans l’audio pour améliorer la précision des audios multilingues.

Scribe v3 conserve les capacités introduites dans Scribe v2 :

• Guidage par termes clés. Vous pouvez fournir jusqu’à 100 mots ou expressions pour aider le modèle à transcrire correctement les termes importants. L’utilisation du guidage par termes clés augmente le coût de 20 %.
• Détection d’entités. Vous pouvez choisir des catégories précises d’informations à détecter dans la transcription, comme les numéros de carte bancaire, les noms ou les pathologies. La détection d’entités est disponible uniquement via API et augmente le coût de 30 %.
• Prise en charge intelligente du multilingue. Vous pouvez envoyer un audio contenant plusieurs langues, et Scribe détectera et transcrira automatiquement chacune d’elles correctement.
• Stabilité améliorée. Scribe gère les pauses, les changements de ton et les longs silences sans interruption ni perte de précision.
  

Quelle version utiliser ?

Nous recommandons Scribe v3 (scribe_v3) lorsqu’une transcription très précise est requise. Il est disponible sur notre site web et via notre API. Lorsque vous utilisez Speech to Text sur notre site web, Scribe v3 est le modèle par défaut. Les Workspaces dans des environnements de résidence des données utilisent Scribe v2.

Pour les audios médicaux et cliniques, utilisez Scribe v2 Medical (scribe_v2_medical) via la même API. Sa facturation est identique à celle de Scribe v2.

Pour les cas d’utilisation en temps réel, nous recommandons Scribe v3 Live (scribe_v3_live), disponible via l’API temps réel. ElevenAgents utilise Scribe v2 Realtime par défaut.

Pour plus de détails, consultez notre documentation Speech to Text.