文字起こしの編集

概要

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後、その指示が文字起こしに適用され、元のテキストとともに編集済みテキストが返されます。

これにより、自前のパイプラインで個別に後処理を行う必要がなくなります。一般的な用途には、日付、時刻、単位の表記統一、略語の展開、不要なコンテンツの削除、スタイルやトーンの変更、文字起こしの再フォーマットなどがあります。

たとえば、Write all dates in ISO 8601 format (YYYY-MM-DD)という指示で留守番電話を文字起こしすると、両方のテキストバージョンが返されます。

{
  "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。編集済みバージョンはedited_transcriptで別途返されます。

文字起こし編集の統合

文字起こしの編集は、convertメソッドにtranscript_editパラメータを渡すことでSpeech to Text APIに統合できます。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_v2",
        # 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リクエストでは、edited_transcriptがwebhookペイロードのtranscriptionオブジェクトに含まれます。

Scribe v2 Realtimeでは、確定した各文字起こしに同じ指示を適用できます。詳しくは、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、関連する箇所すべてで文字起こし全体に適用され、最初の一致箇所だけでなく、すべての一致箇所が編集されます。指示では特定の単語やフレーズのみを変更して他をそのままにしたり、テキスト全体を書き換えたり注釈を追加したりできます。1つの指示で複数の編集を組み合わせることもできます。

以下の例は、対応している指示の範囲を示しています。

指示を作成する際は、次の点に留意してください。

• 求める出力を明確に指定してください。Write all dates in ISO 8601 format (YYYY-MM-DD)は、fix the datesよりも信頼性があります。
• 指示はどの言語でも記述できますが、英語で書かれた指示が最も効果的です。編集済み文字起こしは元の言語のままです。
• 実行されるのは指示のみです。オーディオ内で発話された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。
• 文字起こし内に指示の影響を受ける箇所がない場合、編集済み文字起こしは元のものと同一です。

レスポンス形式

transcript_editを設定すると、レスポンスには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。

transcript_editがリクエストされていない場合、このフィールドは存在しません。

{
  "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：

• 編集済み文字起こしはプレーンテキストです。単語レベルのタイムスタンプ、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、文字起こしの長さに応じて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秒分が課金されます。

次のステップ