ナビゲーションにスキップ

文字起こしの編集

スピーチtoテキストAPIを使用し、自然言語の指示で文字起こしを編集する方法を説明します。

ハウツーガイド · スピーチtoテキストの クイックスタートを完了していることを前提としています。

概要

文字起こしの編集は試験的な機能です。基本の文字起こし料金に30%の追加料金がかかり、 リクエストごとに最低10秒分のオーディオ料金が請求されます。詳しい料金については、API 料金 ページをご覧ください。

文字起こしの編集では、文字起こしリクエストに自然言語の指示を追加できます。オーディオの文字起こしが完了すると、その指示が文字起こしに適用され、編集済みテキストが元のテキストとともに返されます。

これにより、独自のパイプラインで別途行っていた後処理が不要になります。一般的な用途には、日付、時刻、単位の表記の統一、略語の展開、不要な内容の削除、別のスタイルやトーンの適用、文字起こしの再整形などがあります。

たとえば、Write all dates in ISO 8601 format (YYYY-MM-DD)という指示を付けてボイスメールを文字起こしすると、両方のテキストが返されます。

{
"language_code": "eng",
"language_probability": 0.9912,
"text": "Hi, this is Jill. Your appointment is confirmed for the twelfth of July twenty twenty-six, and the follow-up is on the third of August.",
"words": [
{ "text": "Hi,", "start": 0.12, "end": 0.38, "type": "word", "logprob": 0.0 },
{ "text": " ", "start": 0.38, "end": 0.41, "type": "spacing", "logprob": 0.0 },
{ "text": "this", "start": 0.41, "end": 0.55, "type": "word", "logprob": 0.0 },
...
],
"transcription_id": "Y2ZX8AxHUzTPCIualYiE",
"edited_transcript": {
"kind": "transcript",
"text": "Hi, this is Jill. Your appointment is confirmed for 2026-07-12, and the follow-up is on 2026-08-03."
}
}

textフィールドとwordsフィールドは、常に元の文字起こしを表します。編集済みのバージョンはedited_transcriptで個別に返されます。

文字起こし編集の組み込み

文字起こしの編集は、convertメソッドにtranscript_editパラメーターを渡すことで、スピーチtoテキストAPIに組み込めます。指示は最大2000文字です。

import os
from dotenv import load_dotenv
from elevenlabs.client import ElevenLabs
load_dotenv()
elevenlabs = ElevenLabs(
api_key=os.getenv("ELEVENLABS_API_KEY"),
)
with open("voicemail.mp3", "rb") as audio_file:
transcription = elevenlabs.speech_to_text.convert(
file=audio_file,
model_id="scribe_v3",
# Natural-language instruction applied to the finished transcript.
transcript_edit="Write all dates in ISO 8601 format (YYYY-MM-DD)",
)
print("Original:", transcription.text)
print("Edited:", transcription.edited_transcript)

文字起こしの編集は、同期リクエストとWebhookリクエストの両方で利用できます。Webhookリクエストの場合、Webhookペイロードのtranscriptionオブジェクトにedited_transcriptが含まれます。

Scribe v3 LiveとScribe v2 Realtimeでも、確定した各文字起こしに同じ指示を使用できます。リアルタイム文字起こし編集ガイドをご覧ください。

指示の書き方

指示は文字起こし全体の該当箇所に適用され、最初の箇所だけでなく、条件に一致するすべての箇所が編集されます。特定の単語やフレーズのみを変更してほかの部分はそのまま残すことも、テキスト全体を書き換えたり注釈を付けたりすることもできます。1つの指示に複数の編集を含めることもできます。

次の例は、対応している指示の範囲を示しています。

指示効果
Write all dates in ISO 8601 format (YYYY-MM-DD)the twelfth of July twenty twenty-sixが2026-07-12になる
Write times in 24-hour formathalf past two in the afternoonが14:30になる
Expand abbreviations such as "ETA" and "ASAP" on first useETAがestimated time of arrival (ETA)になる
Add the sentiment of every sentence in brackets at the end. Choose from [positive, negative, neutral]Thanks, that was really helpful.がThanks, that was really helpful. [positive]になる
Redact every curse word with its first letter followed by stars, e.g. s***That was a damn good call.がThat was a d*** good call.になる
Format the transcript as a bulleted list, one sentence per bullet文字起こし全体を再整形する

一部の調整には、編集指示よりも安価で予測しやすい専用パラメーターがあります。 特定の名前や用語を認識しやすくするにはキーターム プロンプティング、フィラーワードや 非流暢な発話を削除するにはno_verbatim、数字表記と単語表記を切り替えるには numbers_format (Scribe v3)を使用してください。文字起こしの編集は、これらのオプションでは対応できない変更に使用してください。

指示を書く際は、次の点に注意してください。

  • 希望する出力を明確に指定してください。fix the datesよりもWrite all dates in ISO 8601 format (YYYY-MM-DD)のほうが確実です。
  • 指示はどの言語でも記述できますが、英語の指示が最も効果的です。編集後の文字起こしは元の言語のままです。
  • 実行されるのは指示だけです。オーディオ内の発話内容はデータとして扱われ、指示の適用方法を変更することはできません。
  • 指示によって変更される箇所が文字起こしにない場合、編集後の文字起こしは元の内容と同じになります。

レスポンス形式

transcript_editを設定すると、レスポンスにedited_transcriptオブジェクトが含まれます。そのkindフィールドは、編集が成功したかどうかを示します。

kindフィールド説明
transcripttext編集後の文字起こし。編集されなかった場合は、元のtextと同じです。
errorerror_type (edit_failed), message編集結果を生成できませんでした。文字起こし自体は成功しており、元のtextは引き続き返されます。

transcript_editがリクエストされていない場合、このフィールドは含まれません。

編集失敗
{
"text": "Hi, this is Jill. Your appointment is confirmed for ...",
"edited_transcript": {
"kind": "error",
"error_type": "edit_failed",
"message": "The transcript could not be edited. Please try again."
}
}

注意すべき動作:

  • 編集後の文字起こしはプレーンテキストです。単語単位のタイムスタンプ、話者ラベル、additional_formatsは引き続き元の文字起こしを表します。
  • 編集は文字起こしの完了後に実行されるため、文字起こしが長いほどレイテンシーが増加します。
  • 追加料金はリクエストのオーディオ時間に適用され、リクエストごとに最低10秒分が請求されます。

文字起こしの編集は、entity_detection、entity_redaction、use_multi_channelと 併用できません。これらを組み合わせたリクエストは、パラメーターが無効であるというエラーで拒否されます。

次のステップ