Przejdź do nawigacji
Samouczki

Krótki przewodnik po Speech to Text

Dowiedz się, jak zamieniać mówione audio na tekst.

Ten przewodnik pokaże ci, jak przekształcać nagrania mowy w tekst za pomocą API Speech to Text.

Użyj umiejętności ElevenLabs speech-to-text, aby transkrybować audio z pomocą asystenta AI do kodowania:

npx skills add elevenlabs/skills --skill speech-to-text

Ten samouczek pokazuje, jak korzystać z API Batch Speech to Text. Przewodnik po korzystaniu z API Realtime Speech to Text znajdziesz w przewodnikach o streamingu po stronie klienta lub streamingu po stronie serwera.

Korzystanie z API Speech to Text

1

Utwórz klucz API

Utwórz klucz API w panelu tutaj, którego użyjesz, aby bezpiecznie uzyskać dostęp do API.

Przechowuj klucz jako zarządzany sekret i przekaż go do SDK jako zmienną środowiskową w pliku .env lub bezpośrednio w konfiguracji aplikacji — zależnie od preferencji.

.env
ELEVENLABS_API_KEY=<your_api_key_here>
2

Zainstaluj SDK

Użyjemy też biblioteki dotenv, aby wczytać klucz API ze zmiennej środowiskowej.

pip install elevenlabs
pip install python-dotenv
3

Wyślij żądanie API

Utwórz nowy plik o nazwie example.py lub example.mts, zależnie od wybranego języka, i dodaj ten kod:

# example.py
import os
from dotenv import load_dotenv
from io import BytesIO
import requests
from elevenlabs.client import ElevenLabs
load_dotenv()
elevenlabs = ElevenLabs(
  api_key=os.getenv("ELEVENLABS_API_KEY"),
)
audio_url = (
    "https://storage.googleapis.com/eleven-public-cdn/audio/marketing/nicole.mp3"
)
response = requests.get(audio_url)
audio_data = BytesIO(response.content)
transcription = elevenlabs.speech_to_text.convert(
    file=audio_data,
    model_id="scribe_v3", # Model to use
    tag_audio_events=True, # Tag audio events like laughter, applause, etc.
    language_code="eng", # Language of the audio file. If set to None, the model will detect the language automatically.
    diarize=True, # Whether to annotate who is speaking
)
print(transcription)

Następnie go uruchom:

python example.py

W konsoli powinna wyświetlić się transkrypcja pliku audio.

W przypadku nagrań medycznych i klinicznych ustaw model_id na scribe_v2_medical. Format żądania jest taki sam jak dla scribe_v2, a rozliczenie odbywa się według tej samej stawki. Zobacz Scribe v2 Medical.

Kolejne kroki

Transkrypcja wsadowa

Transkrybuj nagrane wcześniej pliki audio z rozpoznawaniem mówców i tagowaniem zdarzeń

Transkrypcja w czasie rzeczywistym

Przesyłaj audio strumieniowo i otrzymuj transkrypcje w czasie rzeczywistym

Dokumentacja API

Poznaj wszystkie parametry i formaty odpowiedzi Speech to Text