स्पीच टू टेक्स्ट क्या है?

स्पीच टू टेक्स्ट बोले गए ऑडियो को लिखित टेक्स्ट में बदलता है। ElevenLabs में हमारा स्पीच टू टेक्स्ट मॉडल Scribe है। यह आपको 90 से ज़्यादा भाषाओं में सटीक रूप से स्पीच ट्रांसक्राइब करने देता है, जिससे ऑडियो को पढ़ने और खोजने योग्य टेक्स्ट में बदलना आसान हो जाता है।

Scribe की मुख्य सुविधाएं

अंग्रेज़ी, फ़्रेंच, इतालवी, पुर्तगाली, स्पैनिश और जर्मन जैसी प्रमुख भाषाओं में 98% सटीकता के साथ, इंडस्ट्री-लीडिंग सटीकता।
सटीक शब्द-स्तर के टाइमस्टैम्प, ताकि आप देख सकें कि हर शब्द कब बोला गया।
स्मार्ट स्पीकर डायराइज़ेशन, जो अलग-अलग स्पीकर्स को अपने-आप पहचानता और अलग करता है।
गैर-भाषण ध्वनियों का पता लगाने के लिए डायनामिक ऑडियो टैगिंग।
उच्च सटीकता बनाए रखते हुए 32 स्पीकर्स तक का समर्थन।

Scribe v3 में नया क्या है

Scribe v3 हमारा सबसे सटीक स्पीच टू टेक्स्ट मॉडल है। Scribe v2 की तुलना में, यह देता है:

कम ट्रांसक्रिप्शन त्रुटियां। 102 भाषाओं वाले FLEURS बेंचमार्क पर, Scribe v3, Scribe v2 की तुलना में 27% कम शब्द त्रुटियां करता है।
कई स्पीकर्स वाले ऑडियो में ज़्यादा सटीक स्पीकर लेबल।
नंबर फ़ॉर्मैटिंग। API के ज़रिए, आप चुन सकते हैं कि नंबर अंकों में लिखे जाएं या शब्दों में।
सेकंडरी भाषाएं। API के ज़रिए, आप मिक्स्ड-लैंग्वेज ऑडियो की सटीकता बेहतर करने के लिए ऑडियो में अपेक्षित अन्य भाषाओं की सूची दे सकते हैं।

Scribe v3, Scribe v2 में पेश की गई क्षमताएं बरकरार रखता है:

कीटर्म प्रॉम्प्टिंग। महत्वपूर्ण शब्दों को सही ढंग से ट्रांसक्राइब करने के लिए मॉडल को गाइड करने हेतु आप 100 तक शब्द या वाक्यांश दे सकते हैं। कीटर्म प्रॉम्प्टिंग के उपयोग से लागत 20% बढ़ती है।
एंटिटी डिटेक्शन। आप ट्रांसक्रिप्ट में पहचानने के लिए जानकारी की खास कैटेगरी चुन सकते हैं, जैसे क्रेडिट कार्ड नंबर, नाम या मेडिकल स्थितियां। एंटिटी डिटेक्शन केवल API के ज़रिए उपलब्ध है और लागत 30% बढ़ाता है।
स्मार्ट मल्टी-लैंग्वेज सपोर्ट। आप कई भाषाओं वाला ऑडियो सबमिट कर सकते हैं, और Scribe हर भाषा को अपने-आप पहचानकर सही तरह ट्रांसक्राइब करेगा।
बेहतर स्थिरता। Scribe रुकावटों, टोन में बदलाव और लंबी चुप्पियों को बिना रुके या सटीकता खोए संभालता है।

आपको कौन-सा वर्ज़न इस्तेमाल करना चाहिए?

उच्च-सटीकता वाले ट्रांसक्रिप्शन की ज़रूरत होने पर हम Scribe v3 (scribe_v3) की सलाह देते हैं। यह हमारी वेबसाइट और API के ज़रिए उपलब्ध है। हमारी वेबसाइट पर स्पीच टू टेक्स्ट इस्तेमाल करने पर Scribe v3 डिफ़ॉल्ट मॉडल होता है। डेटा रेज़िडेंसी एनवायरनमेंट में वर्कस्पेस Scribe v2 इस्तेमाल करते हैं।

मेडिकल और क्लिनिकल ऑडियो के लिए, उसी API के ज़रिए Scribe v2 Medical (scribe_v2_medical) इस्तेमाल करें। इसकी बिलिंग Scribe v2 के समान दर पर होती है।

रियल-टाइम उपयोग मामलों के लिए, हम रियलटाइम API के ज़रिए उपलब्ध Scribe v3 Live (scribe_v3_live) की सलाह देते हैं। ElevenAgents डिफ़ॉल्ट रूप से Scribe v2 Realtime इस्तेमाल करता है।

ज़्यादा जानकारी के लिए, हमारा स्पीच टू टेक्स्ट दस्तावेज़ देखें।