ナビゲーションにスキップ
機能

文字起こし

ElevenLabsで音声をテキストに変換する方法をご紹介します。

概要

ElevenLabsのスピーチtoテキスト（STT）APIは、最先端の精度で音声をテキストに変換します。Scribe v2モデルは、90以上の言語とさまざまな音声スタイルの文脈上の手がかりに適応します。ライブデモを試すには、スピーチtoテキストの紹介ページをご覧ください。

プロダクト

ElevenLabsでスピーチtoテキストを使用するためのステップ別ガイドです。

デベロッパー

スピーチtoテキストAPIをアプリケーションに統合する方法をご紹介します。

リアルタイムのスピーチtoテキスト

WebSocketを使い、ElevenLabsで音声をリアルタイムに文字起こしする方法をご紹介します。

APIリファレンス

スピーチtoテキストエンドポイントの完全なAPIリファレンスです。

HIPAA準拠が必要な企業は、ElevenLabs Salesに連絡し、Business Associate Agreement（BAA）を締結する必要があります。 HIPAAに関連するインテグレーションやデプロイを進める前に、この手続きを完了してください。

モデル

Scribe v2

最先端の音声認識モデル

90以上の言語で高精度な文字起こし
最大1,000語のキータームプロンプト
65種類のエンティティを検出
自然言語の指示による文字起こしの編集
高精度な単語単位のタイムスタンプ
最大32人の話者ダイアライゼーション
動的なオーディオタグ付け
スマートな言語検出
Scribe v2 Realtime

リアルタイム音声認識モデル

90以上の言語で高精度な文字起こし
リアルタイム文字起こし
低レイテンシー（約150ms†）
高精度な単語単位のタイムスタンプ
65種類のエンティティを検出
エンティティの墨消し
自然言語の指示による文字起こしの編集
Scribe v2 Medical

臨床オーディオ向けに微調整された音声認識

臨床オーディオでの文字起こしエラーがScribe v2より35％減少
日常会話ではScribe v2と同等の精度
機能、対応言語、料金、APIはScribe v2と同じ

APIレスポンスの例

次の例は、サンプル音声ファイルにScribe v2モデルを使用した場合のスピーチtoテキストAPIの出力です。

{
  "language_code": "en",
  "language_probability": 1,
  "text": "With a soft and whispery American accent, I'm the ideal choice for creating ASMR content, meditative guides, or adding an intimate feel to your narrative projects.",
  "words": [
    {
      "text": "With",
      "start": 0.119,
      "end": 0.259,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 0.239,
      "end": 0.299,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "a",
      "start": 0.279,
      "end": 0.359,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 0.339,
      "end": 0.499,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "soft",
      "start": 0.479,
      "end": 1.039,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 1.019,
      "end": 1.2,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "and",
      "start": 1.18,
      "end": 1.359,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 1.339,
      "end": 1.44,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "whispery",
      "start": 1.419,
      "end": 1.979,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 1.959,
      "end": 2.179,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "American",
      "start": 2.159,
      "end": 2.719,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 2.699,
      "end": 2.779,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "accent,",
      "start": 2.759,
      "end": 3.389,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 4.119,
      "end": 4.179,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "I'm",
      "start": 4.159,
      "end": 4.459,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 4.44,
      "end": 4.52,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "the",
      "start": 4.5,
      "end": 4.599,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 4.579,
      "end": 4.699,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "ideal",
      "start": 4.679,
      "end": 5.099,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 5.079,
      "end": 5.219,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "choice",
      "start": 5.199,
      "end": 5.719,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 5.699,
      "end": 6.099,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "for",
      "start": 6.099,
      "end": 6.199,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 6.179,
      "end": 6.279,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "creating",
      "start": 6.259,
      "end": 6.799,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 6.779,
      "end": 6.979,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "ASMR",
      "start": 6.959,
      "end": 7.739,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 7.719,
      "end": 7.859,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "content,",
      "start": 7.839,
      "end": 8.45,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 9,
      "end": 9.06,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "meditative",
      "start": 9.04,
      "end": 9.64,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 9.619,
      "end": 9.699,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "guides,",
      "start": 9.679,
      "end": 10.359,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 10.359,
      "end": 10.409,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "or",
      "start": 11.319,
      "end": 11.439,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 11.42,
      "end": 11.52,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "adding",
      "start": 11.5,
      "end": 11.879,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 11.859,
      "end": 12,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "an",
      "start": 11.979,
      "end": 12.079,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 12.059,
      "end": 12.179,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "intimate",
      "start": 12.179,
      "end": 12.579,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 12.559,
      "end": 12.699,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "feel",
      "start": 12.679,
      "end": 13.159,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 13.139,
      "end": 13.179,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "to",
      "start": 13.159,
      "end": 13.26,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 13.239,
      "end": 13.3,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "your",
      "start": 13.299,
      "end": 13.399,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 13.379,
      "end": 13.479,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "narrative",
      "start": 13.479,
      "end": 13.889,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 13.919,
      "end": 13.939,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "projects.",
      "start": 13.919,
      "end": 14.779,
      "type": "word",
      "speaker_id": "speaker_0"
    }
  ]
}

出力は3種類のカテゴリに分類されます。

  • word - 音声の言語に含まれる単語
  • spacing - 単語間のスペース。日本語、中国語（標準語）、タイ語、ラオ語、ビルマ語、広東語など、スペースを使用しない言語には適用されません
  • audio_event - 笑い声や拍手など、発話以外の音

同時実行数と優先度

同時実行数とは、同時に処理できるリクエスト数を指します。

スピーチtoテキストでは、処理を高速化するため、8分を超えるファイルを内部で並列に文字起こしします。音声は4つのセグメントに分割され、同時に文字起こしされます。

同時実行数の上限は、次の式で計算できます。

Concurrency=min⁡(4,round_up(audio_duration_secs480))Concurrency = \min(4, \text{round\_up}(\frac{\text{audio\_duration\_secs}}{480}))

たとえば、15分の音声ファイルは同時実行数2で、120分の音声ファイルは同時実行数4で文字起こしされます。

上記の計算は、Scribe v2とScribe v2 Medicalにのみ適用されます。Scribe v2 Realtimeについては、同時実行数の上限表をご覧ください。

高度な機能

キータームプロンプトと文字起こし編集には追加料金がかかります。詳しい料金については、API料金 ページ をご覧ください。

キータームプロンプト

キータームプロンプトは、Scribe v2、Scribe v2 Medical（バッチ）、Scribe v2 Realtimeで利用できます。

単語やフレーズを指定し、モデルがそれらを優先的に文字起こしするよう調整できます。プロダクト名、人名、その他の固有用語など、音声内で一般的ではない特定の単語や文を文字起こしする場合に便利です。キータームは、文脈に基づいてその用語を文字起こしするかどうかを判断するため、他のモデルが提供するバイアス付きキーワードやカスタム語彙よりも強力です。バッチでは最大1,000個（各50文字）、リアルタイムでは最大50個（各20文字）のキータームを指定できます。

使用方法について詳しくは、キータームプロンプトのドキュメントをご覧ください。

非逐語モード

非逐語モードは、Scribe v2、Scribe v2 Medical（バッチ）、Scribe v2 Realtimeで利用できます。

no_verbatim を有効にすると、モデルは文字起こしからフィラーワード、言い直し、非流暢な表現を削除します。これにより、字幕や要約など、話されたすべての単語を記録することより読みやすさが重要な用途に適した、すっきりした出力になります。

エンティティ検出

エンティティ検出は、すべてのバッチモデルとScribe v2 Realtimeで利用できます。

バッチモデルとScribe v2 Realtimeは、文字起こし内の複数カテゴリのエンティティを検出し、正確なタイムスタンプを提供します。クレジットカード番号、氏名、病名、社会保障番号（SSN）などを強調表示する場合に便利です。

対応するエンティティの全一覧については、エンティティ検出のドキュメントをご覧ください。

文字起こし編集

文字起こし編集は、すべてのバッチモデルとScribe v2 Realtimeで利用できる実験的機能です。現在、データ レジデンシー環境では利用できません。

transcript_edit パラメータで自然言語の指示を渡すと、完成した文字起こしに適用されます。編集後のテキストは元の文字起こしとともに edited_transcript で返されるため、タイムスタンプと話者ラベルはそのまま維持されます。日付、時刻、単位の表記を統一したり、別の文体を適用したり、1回のリクエストで文字起こしを書き換えたりする場合に便利です。

詳しくは、文字起こし編集のドキュメントとリアルタイム文字起こし編集ガイドをご覧ください。

対応言語

Scribe v2は、以下を含む90以上の言語に対応しています。

アフリカーンス語（afr）、アムハラ語（amh）、アラビア語（ara）、アルメニア語（hye）、アッサム語（asm）、アストゥリアス語（ast）、アゼルバイジャン語（aze）、ベラルーシ語（bel）、ベンガル語（ben）、ボスニア語（bos）、ブルガリア語（bul）、ビルマ語（mya）、広東語（yue）、カタルーニャ語（cat）、セブアノ語（ceb）、チェワ語（nya）、クロアチア語（hrv）、チェコ語（ces）、デンマーク語（dan）、オランダ語（nld）、英語（eng）、エストニア語（est）、フィリピン語（fil）、フィンランド語（fin）、フランス語（fra）、フラニ語（ful）、ガリシア語（glg）、ガンダ語（lug）、ジョージア語（kat）、ドイツ語（deu）、ギリシャ語（ell）、グジャラート語（guj）、ハウサ語（hau）、ヘブライ語（heb）、ヒンディー語（hin）、ハンガリー語（hun）、アイスランド語（isl）、イボ語（ibo）、インドネシア語（ind）、アイルランド語（gle）、イタリア語（ita）、日本語（jpn）、ジャワ語（jav）、カーボベルデ・クレオール語（kea）、カンナダ語（kan）、カザフ語（kaz）、クメール語（khm）、韓国語（kor）、クルド語（kur）、キルギス語（kir）、ラオ語（lao）、ラトビア語（lav）、リンガラ語（lin）、リトアニア語（lit）、ルオ語（luo）、ルクセンブルク語（ltz）、マケドニア語（mkd）、マレー語（msa）、マラヤーラム語（mal）、マルタ語（mlt）、中国語（標準語）（zho）、マオリ語（mri）、マラーティー語（mar）、モンゴル語（mon）、ネパール語（nep）、北ソト語（nso）、ノルウェー語（nor）、オック語（oci）、オディア語（ori）、パシュトー語（pus）、ペルシャ語（fas）、ポーランド語（pol）、ポルトガル語（por）、パンジャブ語（pan）、ルーマニア語（ron）、ロシア語（rus）、セルビア語（srp）、ショナ語（sna）、シンド語（snd）、シンハラ語（sin）、スロバキア語（slk）、スロベニア語（slv）、ソマリ語（som）、スペイン語（spa）、スワヒリ語（swa）、スウェーデン語（swe）、タミル語（tam）、タジク語（tgk）、テルグ語（tel）、タイ語（tha）、トルコ語（tur）、ウクライナ語（ukr）、ウンブンドゥ語（umb）、ウルドゥー語（urd）、ウズベク語（uzb）、ベトナム語（vie）、ウェールズ語（cym）、ウォロフ語（wol）、コサ語（xho）、ズールー語（zul）。

言語別の対応状況

単語誤り率（WER）は、文字起こしシステムの精度を評価する主要な指標です。正解となる文字起こしと比較して、どれだけの誤りが含まれているかを測定します。以下は、Scribe v2が対応する各言語のWERです。

ベラルーシ語（bel）、ボスニア語（bos）、ブルガリア語（bul）、カタルーニャ語（cat）、クロアチア語（hrv）、チェコ語（ces）、 デンマーク語（dan）、オランダ語（nld）、英語（eng）、エストニア語（est）、フィンランド語（fin）、フランス語（fra）、ガリシア語 （glg）、ドイツ語（deu）、ギリシャ語（ell）、ハンガリー語（hun）、アイスランド語（isl）、インドネシア語（ind）、イタリア語 （ita）、日本語（jpn）、カンナダ語（kan）、ラトビア語（lav）、マケドニア語（mkd）、マレー語（msa）、マラヤーラム語 （mal）、ノルウェー語（nor）、ポーランド語（pol）、ポルトガル語（por）、ルーマニア語（ron）、ロシア語（rus）、スロバキア語 （slk）、スペイン語（spa）、スウェーデン語（swe）、トルコ語（tur）、ウクライナ語（ukr）、ベトナム語（vie）。

アルメニア語（hye）、アゼルバイジャン語（aze）、ベンガル語（ben）、広東語（yue）、フィリピン語（fil）、ジョージア語 （kat）、グジャラート語（guj）、ヒンディー語（hin）、カザフ語（kaz）、リトアニア語（lit）、マルタ語（mlt）、中国語（標準語） （cmn）、マラーティー語（mar）、ネパール語（nep）、オディア語（ori）、ペルシャ語（fas）、セルビア語（srp）、スロベニア語（slv）、 スワヒリ語（swa）、タミル語（tam）、テルグ語（tel）

アフリカーンス語（afr）、アラビア語（ara）、アッサム語（asm）、アストゥリアス語（ast）、ビルマ語（mya）、ハウサ語（hau）、 ヘブライ語（heb）、ジャワ語（jav）、韓国語（kor）、キルギス語（kir）、ルクセンブルク語（ltz）、マオリ語（mri）、 オック語（oci）、パンジャブ語（pan）、タジク語（tgk）、タイ語（tha）、ウズベク語（uzb）、ウェールズ語（cym）。

アムハラ語（amh）、ガンダ語（lug）、イボ語（ibo）、アイルランド語（gle）、クメール語（khm）、クルド語（kur）、ラオ語（lao）、 モンゴル語（mon）、北ソト語（nso）、パシュトー語（pus）、ショナ語（sna）、シンド語（snd）、シンハラ語（sin）、 ソマリ語（som）、ウルドゥー語（urd）、ウォロフ語（wol）、コサ語（xho）、ヨルバ語（yor）、ズールー語（zul）。

よくある質問

はい。APIでは、文字起こし用にオーディオファイルとビデオファイルの両方をアップロードできます。

最大3GBのファイルに対応しています。再生時間の上限は文字起こしモードによって異なります。

  • 標準モード（use_multi_channel=false）：最大10時間
  • マルチチャンネルモード（use_multi_channel=true）：全チャンネルの合計再生時間が10時間未満

APIは、次のオーディオ形式に対応しています。

  • audio/aac
  • audio/x-aac
  • audio/x-aiff
  • audio/ogg
  • audio/mpeg
  • audio/mp3
  • audio/mpeg3
  • audio/x-mpeg-3
  • audio/opus
  • audio/wav
  • audio/x-wav
  • audio/webm
  • audio/flac
  • audio/x-flac
  • audio/mp4
  • audio/aiff
  • audio/x-m4a

対応するビデオ形式は次のとおりです。

  • video/mp4
  • video/x-msvideo
  • video/x-matroska
  • video/quicktime
  • video/x-ms-wmv
  • video/x-flv
  • video/webm
  • video/mpeg
  • video/3gpp

ElevenLabsでは、モデルの対応言語を継続的に拡充しています。最新情報を定期的にご確認ください。

はい。非同期の文字起こし結果は、UIのWebhook設定で構成したWebhookに送信できます。詳しくは、Webhookクックブックをご覧ください。

はい。マルチチャンネルSTT機能では、各チャンネルを個別に処理し、チャンネル番号に基づいて話者IDを割り当てて音声を文字起こしできます。この機能は最大5チャンネルに対応しています。詳しくは、マルチチャンネル文字起こしクックブックをご覧ください。

ElevenLabsのスピーチtoテキスト料金は、文字起こし用に送信された音声の再生時間に基づきます。音声1時間単位で計算され、料金はプランとモデルによって異なります。詳しくは、API料金ページをご覧ください。

無音部分も課金対象の再生時間に含まれます。バッチとリアルタイムのどちらの文字起こしでも、送信された音声は一時停止や無音区間を含めて1秒単位で計測され、無音部分への割引はありません。

基本情報

  • 対応入力：オーディオファイルとビデオファイルの両方
  • 最大ファイルサイズ：3GB
  • 最大再生時間：10時間（標準モード）、1時間（マルチチャンネルモード）
  • マルチチャンネルモード：最大5チャンネル。各チャンネルを個別に処理し、チャンネル番号に基づいて話者IDを割り当て
  • Webhook：非同期の文字起こし結果をWebhookに配信可能 — ワークスペース設定で構成
  • 対応オーディオ形式：AAC、AIFF、OGG、MP3、OPUS、WAV、FLAC、M4A、WebM
  • 対応ビデオ形式：MP4、AVI、MKV、MOV、WMV、FLV、WebM、MPEG、3GPP