O que é Speech to Text?
Speech to Text converte áudio falado em texto escrito. Na ElevenLabs, nosso modelo de Speech to Text é o Scribe. Ele permite transcrever falas com precisão em mais de 90 idiomas, facilitando a transformação de áudio em texto legível e pesquisável.
Principais recursos do Scribe
- Precisão líder do setor, com 98% de precisão nos principais idiomas, como inglês, francês, italiano, português, espanhol e alemão.
- Marcações de tempo precisas por palavra, para que você veja exatamente quando cada palavra é falada.
- Diarização inteligente de locutores, que identifica e separa automaticamente diferentes locutores.
- Marcação dinâmica de áudio para detectar sons que não são fala.
- Suporte para até 32 locutores, mantendo alta precisão.
Novidades do Scribe v3
O Scribe v3 é nosso modelo de Speech to Text mais preciso. Em comparação ao Scribe v2, ele oferece:
- Menos erros de transcrição. No benchmark FLEURS, que abrange 102 idiomas, o Scribe v3 comete 27% menos erros por palavra que o Scribe v2.
- Rótulos de locutor mais precisos em áudios com vários locutores.
- Formatação de números. Pela API, você pode escolher se os números serão escritos como algarismos ou por extenso.
- Idiomas secundários. Pela API, você pode listar outros idiomas esperados no áudio para melhorar a precisão em áudios com idiomas mistos.
O Scribe v3 mantém os recursos introduzidos no Scribe v2:
- Orientação por termos-chave. Você pode fornecer até 100 palavras ou frases para guiar o modelo na transcrição correta de termos importantes. O uso da orientação por termos-chave aumenta o custo em 20%.
- Detecção de entidades. Você pode escolher categorias específicas de informações para detectar na transcrição, como números de cartão de crédito, nomes ou condições médicas. A detecção de entidades está disponível apenas pela API e aumenta o custo em 30%.
- Suporte inteligente a vários idiomas. Você pode enviar áudio com vários idiomas, e o Scribe detectará e transcreverá cada um deles corretamente.
- Estabilidade aprimorada. O Scribe lida com pausas, mudanças de tom e silêncios longos
sem interromper ou perder precisão.
Qual versão você deve usar?
Recomendamos o Scribe v3 (scribe_v3) quando for necessária uma transcrição de alta precisão. Ele está disponível em nosso site e pela API. Ao usar Speech to Text pelo nosso site, o Scribe v3 é o modelo padrão. Espaços de trabalho em ambientes de residência de dados usam o Scribe v2.
Para áudio médico e clínico, use o Scribe v2 Medical (scribe_v2_medical) pela mesma API. Ele é cobrado à mesma taxa que o Scribe v2.
Para casos de uso em tempo real, recomendamos o Scribe v3 Live (scribe_v3_live), disponível pela API em tempo real. O ElevenAgents usa o Scribe v2 Realtime por padrão.
Para mais detalhes, consulte nossa documentação de Speech to Text.