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। इसकी मदद से आप 90 से ज़्यादा भाषाओं में आवाज़ को सटीक रूप से ट्रांसक्राइब कर सकते हैं, जिससे ऑडियो को पढ़ने और खोजने योग्य टेक्स्ट में बदलना आसान हो जाता है।
Scribe की मुख्य विशेषताएं
- इंडस्ट्री में अग्रणी सटीकता, जिसमें अंग्रेज़ी, फ़्रेंच, इटैलियन, पुर्तगाली, स्पैनिश और जर्मन जैसी प्रमुख भाषाओं में 98% सटीकता शामिल है।
- शब्द-स्तर के सटीक टाइमस्टैम्प, ताकि आप देख सकें कि हर शब्द ठीक कब बोला गया था।
- स्मार्ट स्पीकर डायराइज़ेशन, जो अलग-अलग वक्ताओं 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 वक्ताओं 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 प्रदान करता है:
- कम ट्रांसक्रिप्शन त्रुटियां। 102 भाषाओं में FLEURS बेंचमार्क पर, Scribe v3, Scribe v2 की तुलना में 27% कम शब्द त्रुटियां करता है।
- कई वक्ताओं वाले ऑडियो में ज़्यादा सटीक स्पीकर लेबल।
- संख्या फ़ॉर्मैटिंग। API के ज़रिए, आप चुन सकते हैं कि संख्याएं अंकों में लिखी जाएं या शब्दों में।
- सेकंडरी भाषाएं। API के ज़रिए, आप ऑडियो में अपेक्षित दूसरी भाषाओं को सूचीबद्ध कर सकते हैं ताकि मिश्रित-भाषा वाले ऑडियो में सटीकता बेहतर हो।
Scribe v3, Scribe v2 में पेश की गई क्षमताओं को बरकरार रखता है:
- कीटर्म प्रॉम्प्टिंग। आप महत्वपूर्ण शब्दों को सही तरीके से ट्रांसक्राइब करने के लिए मॉडल को निर्देशित करने हेतु अधिकतम 100 शब्द या वाक्यांश दे सकते हैं। कीटर्म प्रॉम्प्टिंग के इस्तेमाल से लागत 20% बढ़ जाती है।
- एंटिटी डिटेक्शन। आप ट्रांसक्रिप्ट में पहचानने के लिए जानकारी की खास श्रेणियां चुन सकते हैं, जैसे क्रेडिट कार्ड नंबर, नाम या मेडिकल कंडीशन। एंटिटी डिटेक्शन सिर्फ़ API के ज़रिए उपलब्ध है और मुफ़्त में शामिल है।
- स्मार्ट मल्टी-लैंग्वेज सपोर्ट। आप कई भाषाओं वाला ऑडियो सबमिट कर सकते हैं, और Scribe हर भाषा को अपने-आप पहचानकर सही तरीके से ट्रांसक्राइब करेगा।
- बेहतर स्थिरता। Scribe रुकावटों, टोन में बदलाव और लंबे सन्नाटों को
बिना बाधित हुए या सटीकता खोए संभालता है।
आपको कौन-सा वर्ज़न इस्तेमाल करना चाहिए?
जहां उच्च-सटीकता ट्रांसक्रिप्शन चाहिए, वहां 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 करते समय, 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 की ही दर पर होती है।
रीयल-टाइम उपयोग के मामलों के लिए, हम Scribe v3 Live (scribe_v3_live) की सलाह देते हैं, जो रीयलटाइम API के ज़रिए उपलब्ध है। ElevenAgents डिफ़ॉल्ट रूप से Scribe v2 Realtime इस्तेमाल करता है।
ज़्यादा जानकारी के लिए, हमारा स्पीच टू टेक्स्ट दस्तावेज़ देखें।