Transcription

Présentation

L’API Speech to Text (STT) d’ElevenLabs convertit l’audio parlé en texte avec une précision de pointe dans plus de 90 langues. Utilisez Scribe v3 pour l’audio enregistré et Scribe v3 Live pour l’audio en temps réel. Pour essayer une démonstration en direct, consultez notre page de présentation de Speech to Text.

Modèles

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.

{
  "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 des rires ou des applaudissements

Requêtes simultanées et priorité

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

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

Vous pouvez calculer la limite de requêtes simultanées comme suit :

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.

Fonctionnalités avancées

Incitation par termes clés

Mettez en évidence des mots ou expressions pour orienter le modèle vers leur transcription. Cela est utile pour transcrire des mots ou des phrases spécifiques peu fréquents dans l’audio, comme des noms de produits, des noms propres ou d’autres termes précis. Les termes clés sont plus efficaces que les mots-clés biaisés ou les vocabulaires personnalisés proposés par d’autres modèles, car ils s’appuient sur le contexte pour décider de transcrire ou non ce terme. Le traitement par lot prend en charge jusqu’à 1 000 termes clés (50 caractères chacun), tandis que le temps réel en prend en charge jusqu’à 50 (20 caractères chacun).

Pour en savoir plus sur l’utilisation de l’incitation par termes clés, consultez la documentation sur l’incitation par termes clés.

Bibliothèque de termes clés

Une bibliothèque de termes clés est un vaste vocabulaire couvrant un domaine entier, comme un dictionnaire médical, des termes juridiques ou un catalogue de produits. Le modèle consulte la bibliothèque uniquement lorsqu’il entend une correspondance probable. Une bibliothèque peut contenir jusqu’à 10 000 termes. Utilisez-la avec l’incitation par termes clés, plus adaptée aux quelques termes dont vous savez qu’ils apparaîtront. Les sessions qui utilisent une bibliothèque de termes clés sont facturées au même coût supplémentaire que l’incitation par termes clés.

Pour en savoir plus, consultez la documentation sur la bibliothèque de termes clés.

Prédiction de tour de parole

La détection d’activité vocale (VAD) fondée sur le silence valide un segment de transcription après une période de silence. Un seuil de silence court interrompt les locuteurs lorsqu’ils font une pause, tandis qu’un seuil long ajoute de la latence. La prédiction de tour de parole utilise le contexte de la conversation pour estimer si le locuteur a terminé son tour, afin qu’un appelant qui s’interrompt au milieu d’un numéro de téléphone ne soit pas coupé. Il s’agit de la même détection de tour de parole qu’utilise ElevenAgents.

Pour en savoir plus, consultez la prédiction de tour de parole.

Diarisation en temps réel

Définissez diarize=true pour identifier les personnes qui parlent dans les transcriptions en temps réel. Des libellés provisoires de locuteur apparaissent dans les transcriptions partielles, et chaque transcription validée est suivie d’une transcription diarisee distincte, sans retarder le texte validé.

Pour en savoir plus, consultez le guide de diarisation des locuteurs en temps réel.

Formatage des nombres

Choisissez si les nombres de la transcription doivent être écrits sous forme de chiffres (42) ou de mots (quarante-deux). Si vous ne définissez pas de format, le modèle en choisit un.

Pour en savoir plus, consultez les options de nombres et de langues.

Audio multilingue

Lorsque les locuteurs utilisent plusieurs langues, indiquez les langues attendues afin que le modèle puisse transcrire chacune avec précision. Pour l’audio en temps réel, le mode multilingue transcrit chaque langue dans son propre système d’écriture et suit les changements au milieu d’une phrase.

Scribe ne traduit pas. La parole est transcrite dans la langue dans laquelle elle est prononcée.

Pour en savoir plus, consultez les options de nombres et de langues pour la transcription par lot et les options de langue en temps réel pour la transcription en temps réel.

Mode non verbatim

Lorsque no_verbatim est activé, le modèle supprime les mots de remplissage, les faux départs et les disfluences de la transcription. Vous obtenez ainsi une sortie plus nette, adaptée aux sous-titres, aux résumés ou à tout cas d’usage où la lisibilité prime sur la capture de chaque mot prononcé.

Détection d’entités

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

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

Édition de transcription

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, de sorte que les horodatages et les libellés de locuteur restent intacts. Cela est utile pour uniformiser 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 v3 et Scribe v2 prennent en charge plus de 90 langues, notamment :

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), kabuverdianu (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), māori (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).

Répartition de la prise en charge des langues

Le taux d’erreur par mot (WER) est un indicateur clé utilisé 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 la répartition du WER pour chaque langue prise en charge par Scribe v2.

FAQ

Points clés

• Entrée prise en charge : les fichiers audio et vidéo sont acceptés
• Taille maximale de fichier : 5 Go
• Durée maximale : 15 heures (mode standard), 15 heures cumulées sur tous les canaux (mode multicanal)
• Mode multicanal : jusqu’à 5 canaux, chacun traité indépendamment avec un ID de locuteur attribué selon le numéro du 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