Transcription | ElevenLabs Documentation

Vue d’ensemble

L’API Speech to Text (STT) d’ElevenLabs convertit l’audio parlé en texte avec une précision de pointe. Notre modèle Scribe v2 s’adapte aux indices textuels dans plus de 90 langues et à plusieurs styles vocaux. Pour essayer une démonstration en direct, consultez notre page de présentation Speech to Text.

Produits

Guide étape par étape pour utiliser le Speech to Text dans ElevenLabs.

Développeurs

Découvrez comment intégrer l’API Speech to Text à votre application.

Speech to Text en temps réel

Découvrez comment transcrire de l’audio en temps réel avec ElevenLabs et WebSockets.

Guide de l’API

Guide complet de l’API pour le point de terminaison Speech to Text.

Les entreprises soumises aux exigences HIPAA doivent contacter l’équipe commerciale d’ElevenLabs afin de signer un accord de partenariat commercial (BAA). Veillez à effectuer cette étape avant toute intégration ou tout déploiement lié à HIPAA.

Modèles

Scribe v2

Modèle de reconnaissance vocale de pointe

Transcription précise dans plus de 90 langues

Guidage par termes clés, jusqu’à 1 000 termes

Détection d’entités, 65 types d’entités

Modification de transcriptions avec des instructions en langage naturel

Horodatages précis au niveau du mot

Diarisation des locuteurs, jusqu’à 32 locuteurs

Balises audio dynamiques

Détection intelligente de la langue

Scribe v2 Realtime

Modèle de reconnaissance vocale en temps réel

Transcription précise dans plus de 90 langues

Transcription en temps réel

Faible latence (~150 ms†)

Horodatages précis au niveau du mot

Détection d’entités, 65 types d’entités

Modification de transcriptions avec des instructions en langage naturel

Scribe v2 Medical

Reconnaissance vocale affinée pour l’audio clinique

35 % d’erreurs de transcription en moins sur l’audio clinique par rapport à Scribe v2

Même précision que Scribe v2 sur la parole quotidienne

Mêmes fonctionnalités, langues, tarifs et API que Scribe v2

Tout explorer

Exemple de réponse API

L’exemple suivant présente la sortie de l’API Speech to Text utilisant le modèle Scribe v2 pour un fichier audio d’exemple.

Afficher la réponse JSON complète

{
  "language_code": "en",
  "language_probability": 1,
  "text": "With a soft and whispery American accent, I'm the ideal choice for creating ASMR content, meditative guides, or adding an intimate feel to your narrative projects.",
  "words": [
    {
      "text": "With",
      "start": 0.119,
      "end": 0.259,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 0.239,
      "end": 0.299,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "a",
      "start": 0.279,
      "end": 0.359,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 0.339,
      "end": 0.499,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "soft",
      "start": 0.479,
      "end": 1.039,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 1.019,
      "end": 1.2,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "and",
      "start": 1.18,
      "end": 1.359,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 1.339,
      "end": 1.44,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "whispery",
      "start": 1.419,
      "end": 1.979,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 1.959,
      "end": 2.179,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "American",
      "start": 2.159,
      "end": 2.719,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 2.699,
      "end": 2.779,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "accent,",
      "start": 2.759,
      "end": 3.389,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 4.119,
      "end": 4.179,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "I'm",
      "start": 4.159,
      "end": 4.459,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 4.44,
      "end": 4.52,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "the",
      "start": 4.5,
      "end": 4.599,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 4.579,
      "end": 4.699,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "ideal",
      "start": 4.679,
      "end": 5.099,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 5.079,
      "end": 5.219,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "choice",
      "start": 5.199,
      "end": 5.719,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 5.699,
      "end": 6.099,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "for",
      "start": 6.099,
      "end": 6.199,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 6.179,
      "end": 6.279,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "creating",
      "start": 6.259,
      "end": 6.799,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 6.779,
      "end": 6.979,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "ASMR",
      "start": 6.959,
      "end": 7.739,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 7.719,
      "end": 7.859,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "content,",
      "start": 7.839,
      "end": 8.45,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 9,
      "end": 9.06,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "meditative",
      "start": 9.04,
      "end": 9.64,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 9.619,
      "end": 9.699,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "guides,",
      "start": 9.679,
      "end": 10.359,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 10.359,
      "end": 10.409,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "or",
      "start": 11.319,
      "end": 11.439,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 11.42,
      "end": 11.52,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "adding",
      "start": 11.5,
      "end": 11.879,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 11.859,
      "end": 12,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "an",
      "start": 11.979,
      "end": 12.079,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 12.059,
      "end": 12.179,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "intimate",
      "start": 12.179,
      "end": 12.579,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 12.559,
      "end": 12.699,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "feel",
      "start": 12.679,
      "end": 13.159,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 13.139,
      "end": 13.179,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "to",
      "start": 13.159,
      "end": 13.26,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 13.239,
      "end": 13.3,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "your",
      "start": 13.299,
      "end": 13.399,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 13.379,
      "end": 13.479,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "narrative",
      "start": 13.479,
      "end": 13.889,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 13.919,
      "end": 13.939,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "projects.",
      "start": 13.919,
      "end": 14.779,
      "type": "word",
      "speaker_id": "speaker_0"
    }
  ]
}

La sortie est classée en trois types de catégories :

word : un mot dans la langue de l’audio
spacing : l’espace entre les mots, non applicable aux langues qui n’utilisent pas d’espaces comme le japonais, le mandarin, le thaï, le lao, le birman et le cantonais
audio_event : des sons non vocaux comme les rires ou les applaudissements

Requêtes simultanées et priorité

Les requêtes simultanées correspondent au nombre de requêtes pouvant être traitées au même moment.

Pour le Speech to Text, les fichiers de plus de 8 minutes sont transcrits en parallèle en interne afin d’accélérer le traitement. L’audio est divisé en quatre segments transcrits simultanément.

Vous pouvez calculer la limite de requêtes simultanées avec le calcul suivant :

Concurrency = \min(4, \text{round\_up}(\frac{\text{audio\_ duration\_secs}}{480}))

Par exemple, un fichier audio de 15 minutes sera transcrit avec 2 requêtes simultanées, tandis qu’un fichier audio de 120 minutes sera transcrit avec 4 requêtes simultanées.

Le calcul ci-dessus s’applique uniquement à Scribe v2 et Scribe v2 Medical. Pour Scribe v2 Realtime, consultez le tableau des limites de requêtes simultanées.

Fonctionnalités avancées

Le guidage par termes clés et l’édition de transcription entraînent un coût supplémentaire. Consultez la page de tarification de l’API pour obtenir des informations tarifaires détaillées.

Guidage par termes clés

Le guidage par termes clés est disponible avec Scribe v2, Scribe v2 Medical (traitement par lot) et Scribe v2 Realtime.

Mettez en évidence des mots ou expressions pour orienter le modèle vers leur transcription. Cette fonctionnalité est utile pour transcrire des mots ou des phrases spécifiques peu courants dans l’audio, tels que des noms de produits, des noms propres ou d’autres termes spécifiques. Les termes clés sont plus puissants que les mots-clés biaisés ou les vocabulaires personnalisés proposés par d’autres modèles, car le contexte permet de déterminer s’il faut transcrire le terme ou non. Le traitement par lot prend en charge jusqu’à 1 000 termes clés (50 caractères chacun), tandis que le temps réel prend en charge jusqu’à 50 termes clés (20 caractères chacun).

Pour en savoir plus sur l’utilisation du guidage par termes clés, consultez la documentation sur le guidage par termes clés.

Mode non verbatim

Le mode non verbatim est disponible avec Scribe v2, Scribe v2 Medical (traitement par lot) et Scribe v2 Realtime.

Lorsque no_verbatim est activé, le modèle supprime les mots de remplissage, les faux départs et les disfluidés de la transcription. Le résultat est plus propre et adapté aux sous-titres, aux résumés ou à tout cas d’utilisation où la lisibilité prime sur la capture de chaque mot prononcé.

Détection d’entités

La détection d’entités est disponible avec tous les modèles par lot et Scribe v2 Realtime.

Les modèles par lot et Scribe v2 Realtime peuvent détecter plusieurs catégories d’entités dans la transcription et fournir leurs horodatages exacts. Cette fonctionnalité est utile pour mettre en évidence des numéros de carte bancaire, des noms, des pathologies ou des numéros de sécurité sociale.

Pour obtenir la liste complète des entités prises en charge, consultez la documentation sur la détection d’entités.

Édition de transcription

L’édition de transcription est une fonctionnalité expérimentale disponible avec tous les modèles par lot et Scribe v2 Realtime.

Transmettez une instruction en langage naturel avec le paramètre transcript_edit, et elle sera appliquée à la transcription terminée. Le texte modifié est renvoyé dans edited_transcript avec la transcription d’origine, afin de conserver les horodatages et les étiquettes de locuteurs. Cette fonctionnalité est utile pour normaliser l’écriture des dates, des heures ou des unités, appliquer un style différent ou réécrire la transcription en une seule requête.

Pour en savoir plus, consultez la documentation sur l’édition de transcription et le guide d’édition de transcription en temps réel.

Langues prises en charge

Scribe v2 prend en charge plus de 90 langues, dont :

Afrikaans (afr), amharique (amh), arabe (ara), arménien (hye), assamais (asm), asturien (ast), აზéri (aze), biélorusse (bel), bengali (ben), bosnien (bos), bulgare (bul), birman (mya), cantonais (yue), catalan (cat), cebuano (ceb), chichewa (nya), croate (hrv), tchèque (ces), danois (dan), néerlandais (nld), anglais (eng), estonien (est), filipino (fil), finnois (fin), français (fra), peul (ful), galicien (glg), ganda (lug), géorgien (kat), allemand (deu), grec (ell), gujarati (guj), haoussa (hau), hébreu (heb), hindi (hin), hongrois (hun), islandais (isl), igbo (ibo), indonésien (ind), irlandais (gle), italien (ita), japonais (jpn), javanais (jav), créole capverdien (kea), kannada (kan), kazakh (kaz), khmer (khm), coréen (kor), kurde (kur), kirghize (kir), lao (lao), letton (lav), lingala (lin), lituanien (lit), luo (luo), luxembourgeois (ltz), macédonien (mkd), malais (msa), malayalam (mal), maltais (mlt), chinois mandarin (zho), maori (mri), marathi (mar), mongol (mon), népalais (nep), sotho du Nord (nso), norvégien (nor), occitan (oci), odia (ori), pachto (pus), persan (fas), polonais (pol), portugais (por), pendjabi (pan), roumain (ron), russe (rus), serbe (srp), shona (sna), sindhi (snd), cinghalais (sin), slovaque (slk), slovène (slv), somali (som), espagnol (spa), swahili (swa), suédois (swe), tamoul (tam), tadjik (tgk), télougou (tel), thaï (tha), turc (tur), ukrainien (ukr), umbundu (umb), ourdou (urd), ouzbek (uzb), vietnamien (vie), gallois (cym), wolof (wol), xhosa (xho) et zoulou (zul).

Détail de la prise en charge des langues

Le taux d’erreur sur les mots (WER) est une métrique essentielle pour évaluer la précision des systèmes de transcription. Il mesure le nombre d’erreurs présentes dans une transcription par rapport à une transcription de référence. Vous trouverez ci-dessous le détail du WER pour chaque langue prise en charge par Scribe v2.

Excellent (WER ≤ 5 %)

Biélorusse (bel), bosnien (bos), bulgare (bul), catalan (cat), croate (hrv), tchèque (ces), danois (dan), néerlandais (nld), anglais (eng), estonien (est), finnois (fin), français (fra), galicien (glg), allemand (deu), grec (ell), hongrois (hun), islandais (isl), indonésien (ind), italien (ita), japonais (jpn), kannada (kan), letton (lav), macédonien (mkd), malais (msa), malayalam (mal), norvégien (nor), polonais (pol), portugais (por), roumain (ron), russe (rus), slovaque (slk), espagnol (spa), suédois (swe), turc (tur), ukrainien (ukr) et vietnamien (vie).

Haute précision (WER > 5 % à ≤ 10 %)

Arménien (hye), ադրբեջanais (aze), bengali (ben), cantonais (yue), filipino (fil), géorgien (kat), gujarati (guj), hindi (hin), kazakh (kaz), lituanien (lit), maltais (mlt), mandarin (cmn), marathi (mar), népalais (nep), odia (ori), persan (fas), serbe (srp), slovène (slv), swahili (swa), tamoul (tam) et télougou (tel)

Bon (WER > 10 % à ≤ 20 %)

Afrikaans (afr), arabe (ara), assamais (asm), asturien (ast), birman (mya), haoussa (hau), hébreu (heb), javanais (jav), coréen (kor), kirghize (kir), luxembourgeois (ltz), maori (mri), occitan (oci), pendjabi (pan), tadjik (tgk), thaï (tha), ouzbek (uzb) et gallois (cym).

Modéré (WER > 25 % à ≤ 50 %)

Amharique (amh), ganda (lug), igbo (ibo), irlandais (gle), khmer (khm), kurde (kur), lao (lao), mongol (mon), sotho du Nord (nso), pachto (pus), shona (sna), sindhi (snd), cinghalais (sin), somali (som), ourdou (urd), wolof (wol), xhosa (xho), yoruba (yor) et zoulou (zul).

FAQ

Puis-je utiliser l’API Speech to Text avec des fichiers vidéo ?

Oui, l’API prend en charge l’importation de fichiers audio et vidéo pour la transcription.

Quelles sont les limites de taille et de durée des fichiers pour l’API Speech to Text ?

Les fichiers jusqu’à 3 Go sont pris en charge. Les limites de durée dépendent du mode de transcription :

Mode standard (use_multi_channel=false) : jusqu’à 10 heures
Mode multicanal (use_multi_channel=true) : la durée cumulée de tous les canaux doit être inférieure à 10 heures

Quels formats audio et vidéo sont pris en charge par l’API ?

L’API prend en charge les formats audio et vidéo suivants :

audio/aac
audio/x-aac
audio/x-aiff
audio/ogg
audio/mpeg
audio/mp3
audio/mpeg3
audio/x-mpeg-3
audio/opus
audio/wav
audio/x-wav
audio/webm
audio/flac
audio/x-flac
audio/mp4
audio/aiff
audio/x-m4a

Les formats vidéo pris en charge incluent :

video/mp4
video/x-msvideo
video/x-matroska
video/quicktime
video/x-ms-wmv
video/x-flv
video/webm
video/mpeg
video/3gpp

Quand prendrez-vous en charge davantage de langues ?

ElevenLabs étend constamment le nombre de langues prises en charge par nos modèles. Consultez régulièrement cette page pour connaître les mises à jour.

L’API Speech to Text prend-elle en charge les webhooks ?

Oui, les résultats de transcription asynchrones peuvent être envoyés aux webhooks configurés dans les paramètres de webhook de l’interface. Pour en savoir plus, consultez le cookbook des webhooks.

Un mode de transcription multicanal est-il pris en charge par l’API ?

Oui, la fonctionnalité STT multicanal vous permet de transcrire un audio dont chaque canal est traité indépendamment et reçoit un identifiant de locuteur selon son numéro de canal. Cette fonctionnalité prend en charge jusqu’à 5 canaux. Pour en savoir plus, consultez le cookbook de transcription multicanal.

Comment fonctionne la facturation de l’API Speech to Text ?

ElevenLabs facture le Speech to Text en fonction de la durée de l’audio envoyé pour transcription. La facturation est calculée par heure d’audio, avec des tarifs qui varient selon le niveau et le modèle. Consultez la page de tarification de l’API pour obtenir des informations tarifaires détaillées.

Points clés

Entrée prise en charge : les fichiers audio et vidéo sont acceptés
Taille maximale de fichier : 3 Go
Durée maximale : 10 heures (mode standard), 1 heure (mode multicanal)
Mode multicanal : jusqu’à 5 canaux, chacun traité indépendamment avec un identifiant de locuteur attribué selon le numéro de canal
Webhooks : les résultats de transcription asynchrones peuvent être envoyés à un webhook, à configurer dans les paramètres du Workspace
Formats audio pris en charge : AAC, AIFF, OGG, MP3, OPUS, WAV, FLAC, M4A, WebM
Formats vidéo pris en charge : MP4, AVI, MKV, MOV, WMV, FLV, WebM, MPEG, 3GPP