スピーチtoテキストとは？
スピーチtoテキストは、音声オーディオをテキストに変換します。ElevenLabsのスピーチtoテキストモデルは Scribe です。90以上の言語の音声を高精度で文字起こしし、オーディオを読みやすく検索可能なテキストに簡単に変換できます。
Scribeの主な機能
- 英語、フランス語、イタリア語、ポルトガル語、スペイン語、ドイツ語などの主要言語で98%という業界最高水準の精度。
- 各単語が発話された正確なタイミングを確認できる、単語単位の高精度なタイムスタンプ。
- 話者を自動的に識別して分離する、スマートな話者ダイアライゼーション。
- 音声以外のサウンドを検出する動的なオーディオタグ付け。
- 高精度を維持しながら最大32人の話者に対応。
Scribe v3の新機能
Scribe v3は、ElevenLabsで最も高精度なスピーチtoテキストモデルです。Scribe v2と比べ、次の点が向上しています。
- 文字起こしエラーの減少。102言語を対象とするFLEURSベンチマークで、Scribe v3の単語エラーはScribe v2より27%少なくなっています。
- 話者ラベルの精度向上。複数の話者を含むオーディオで、話者ラベルの精度が向上しました。
- 数値形式。APIを通じて、数字を数値または単語のどちらで表記するか選択できます。
- 第二言語。APIを通じて、オーディオ内で想定される他の言語を指定し、複数言語が混在する オーディオの精度を向上できます。
Scribe v3では、Scribe v2で導入された次の機能も引き続き利用できます。
- キーワードプロンプト。最大100個の単語やフレーズを指定し、重要な用語を正しく 文字起こしするようモデルを誘導できます。キーワードプロンプトを使用すると、料金が20%加算されます。
- エンティティ検出。クレジットカード番号、氏名、病状など、文字起こしで検出する 情報のカテゴリーを選択できます。エンティティ検出はAPIでのみ利用でき、料金が30%加算されます。
- スマートな多言語対応。複数の言語を含むオーディオを送信すると、 Scribeが各言語を自動的に検出し、正確に文字起こしします。
- 安定性の向上。Scribeは、一時停止、声の調子の変化、長い無音があっても、
中断したり精度を落としたりすることなく処理できます。
どのバージョンを使うべきですか？
高精度な文字起こしが必要な場合は、Scribe v3（scribe_v3）をおすすめします。ウェブサイトとAPIから利用できます。ウェブサイトでスピーチtoテキストを使用する場合、デフォルトモデルはScribe v3です。データレジデンシー環境のワークスペースではScribe v2を使用します。
医療・臨床オーディオには、同じAPIを通じて Scribe v2 Medical（scribe_v2_medical）を使用してください。料金はScribe v2と同じです。
リアルタイムのユースケースには、リアルタイムAPIで利用できる Scribe v3 Live（scribe_v3_live）をおすすめします。ElevenAgentsでは、デフォルトでScribe v2 Realtimeを使用します。
詳しくは、スピーチtoテキストのドキュメントをご覧ください。