Flerkanalig tal-till-text
Den här guiden visar hur du använder flerkanaligt transkriberingsläge med Speech to Text API:t.
Guide · Förutsätter att du har slutfört snabbstartsguiden för Speech to Text .
Översikt
Funktionen för flerkanalig Speech to Text låter dig transkribera ljudfiler där varje kanal innehåller en separat talare. Det är särskilt användbart för inspelningar där talare är isolerade på olika ljudkanaler och ger renare transkriberingar utan behov av talarseparering.
Varje kanal behandlas oberoende och tilldelas automatiskt ett talar-ID baserat på kanalnumret (kanal 0 → speaker_0, kanal 1 → speaker_1 osv.). Systemet extraherar enskilda kanaler från din ljudfil och transkriberar dem parallellt. Som standard returnerar API:t en transkribering per kanal. Ange multichannel_output_style=combined för att i stället få en enda transkribering där alla kanaler sammanfogas till en lista sorterad efter starttid, med varje ord märkt med sitt channel_index.
Vanliga användningsfall
- Stereoinspelningar av intervjuer - Intervjuaren på vänster kanal, intervjuobjektet på höger kanal
- Podcasts med flera spår - Varje deltagare spelas in på ett separat spår
- Inspelningar från callcenter - Agent och kund separerade på olika kanaler
- Konferensinspelningar - Enskilda deltagare isolerade på separata kanaler
- Domstolsförhandlingar - Flera parter inspelade på olika kanaler
Krav
- Ett ElevenLabs-konto med en API-nyckel
- Flerkanalig ljudfil (WAV, MP3 eller andra format som stöds)
- Högst 5 kanaler per ljudfil
- Varje kanal ska innehålla endast en talare
Så fungerar det
Förbered ditt flerkanaliga ljud
Kontrollera att talarna i din ljudfil är isolerade på separata kanaler. Flerkanalsfunktionen har stöd för upp till 5 kanaler, där varje kanal mappas till en specifik talare:
- Kanal 0 →
speaker_0 - Kanal 1 →
speaker_1 - Kanal 2 →
speaker_2 - Kanal 3 →
speaker_3 - Kanal 4 →
speaker_4
Konfigurera API-parametrar
När du gör en tal-till-text-begäran måste du ange:
use_multi_channel:truediarize:false(flerkanalsläget hanterar talarseparering via kanaler)
Du kan även styra svarsformatet med:
multichannel_output_style:separate(standard) returnerar en transkribering per kanal.combinedsammanfogar alla kanaler till en enda transkribering vars ord är sorterade efter starttid och där varje ord har ettchannel_index— samma format som standardsvaret för en enskild kanal.combinedkräver tidsstämplar (timestamps_granularityfår inte varanone) och stöds inte med webhook-leverans eller entitetsidentifiering/-maskering.
Parametern num_speakers kan inte användas med flerkanalsläget eftersom antalet talare bestäms automatiskt av antalet kanaler. Flerkanalsläget förutsätter att det finns exakt en talare per kanal. Om det finns fler tilldelas alla talare i kanalen samma talar-ID.
Behandla svaret
Som standard (multichannel_output_style=separate) returnerar flerkanaligt ljud ett annat svarsformat än ljud med en enda kanal:
Om du anger use_multi_channel: true men tillhandahåller en enkanalig ljudfil (mono) får du ett
standardsvar för en kanal, inte flerkanalsformatet. Flerkanalssvarsformatet returneras endast
när ljudfilen faktiskt innehåller flera kanaler.
Med multichannel_output_style=combined använder svaret samma platta format som en transkribering för en kanal (överordnade text och words, ingen transcripts-array), där alla kanaler är sammanfogade till en lista sorterad efter starttid. Varje ord innehåller ett channel_index (och speaker_id) som identifierar dess kanal.
Implementering
Grundläggande flerkanalig transkribering
Här är ett komplett exempel på hur du transkriberar en stereoljudfil med två talare:
Skapa konversationstranskriberingar
Det enklaste sättet att få en tidsordnad transkribering i konversationsstil är att begära multichannel_output_style=combined — API:t returnerar en enda words-lista, redan sorterad efter starttid, med ett channel_index och speaker_id för varje ord:
Om du använder standardutdata separate kan du i stället sammanfoga transkriberingarna per kanal på klientsidan:
Använda webhooks med flera kanaler
Flerkanalig transkribering har stöd för webhook-leverans för asynkron bearbetning:
Webhooks returnerar formatet separate (per kanal). multichannel_output_style=combined stöds
för närvarande inte med webhook-leverans — använd en synkron begäran eller sammanfoga webhook-
payloaden per kanal på klientsidan.
Felhantering
Vanliga valideringsfel
Ange diarize=true med flerkanalsläge
Fel: Flerkanalsläget har inte stöd för talarseparering och tilldelar talare utifrån den kanal de talar i.
Lösning: Ange alltid diarize=false när du använder flerkanalsläge.
Ange parametern num_speakers
Fel: Det går inte att ange num_speakers när use_multi_channel är aktiverat. Antalet talare
bestäms automatiskt av antalet kanaler. Lösning: Ta bort parametern num_speakers från din
begäran.
Ljudfil med fler än 5 kanaler
Fel: Flerkanalsläget har stöd för upp till 5 kanaler, men ljudfilen innehåller X kanaler.
Lösning: Bearbeta endast de första 5 kanalerna eller förbehandla ljudet för att minska antalet kanaler.
Använda kombinerad utdata utan tidsstämplar
Fel: multichannel_output_style=‘combined’ kräver tidsstämplar; ange timestamps_granularity till ‘word’ eller ‘character’.
Lösning: Kombinerad utdata sorterar ord efter tid, så ange timestamps_granularity till word
(standard) eller character.
Använda kombinerad utdata med webhooks
Fel: multichannel_output_style=‘combined’ stöds ännu inte med webhook-leverans.
Lösning: Använd en synkron begäran med combined, eller behåll standardutdata separate
när du använder webhooks och sammanfoga på klientsidan.
Bästa praxis
Förbereda ljudet
För bästa resultat: - Använd en samplingsfrekvens på 16 kHz för bättre prestanda - Ta bort tysta eller oanvända kanaler före bearbetning - Kontrollera att varje kanal bara innehåller en talare - Använd om möjligt förlustfria format (WAV) för bästa kvalitet
Prestandaoptimering
Kostnaden för samtidighet ökar linjärt med antalet kanaler. En 60 sekunder lång fil med 3 kanaler har 3 gånger så hög samtidighetskostnad som en fil med en kanal.
Du kan uppskatta bearbetningstiden för flerkanaligt ljud med följande formel:
Där:
- = filens längd i sekunder
- = antal kanaler
- = faktor för bearbetningshastighet (ungefär 30 % av realtid)
- = fast overhead i sekunder
- = overhead per kanal i sekunder
Exempel: För en 60 sekunder lång stereofil (2 kanaler):
Minnesöverväganden
För stora flerkanaliga filer bör du överväga streaming eller uppdelning i segment:
Vanliga frågor
Vad händer om mitt ljud har fler än 5 kanaler?
API:t returnerar ett fel. Du måste antingen välja vilka 5 kanaler som ska skickas till API:t eller mixa ned vissa kanaler innan du skickar dem till API:t.
Kan jag bearbeta monoljud med flerkanalsläget?
Ja, men det är onödigt. Om du skickar monoljud med use_multi_channel=true får du ett
standardsvar för en kanal, inte flerkanalsformatet.
Kan jag få en kombinerad transkribering i stället för separata transkriberingar per kanal?
Ja. Ange multichannel_output_style=combined för att få en enda transkribering där alla kanaler
är sammanfogade och sorterade efter starttid, med varje ord märkt med sitt channel_index. Detta motsvarar
standardsvarsformatet för en kanal. Det kräver tidsstämplar och är inte tillgängligt med webhook-
leverans.
Hur tilldelas talar-ID:n?
Talar-ID:n är deterministiska utifrån kanalnummer: kanal 0 blir speaker_0, kanal 1 blir speaker_1 och så vidare.
Kan kanaler ha olika språk?
Ja, varje kanal behandlas oberoende och kan identifiera olika språk. Språkidentifieringen
sker per kanal. Med multichannel_output_style=combined återspeglar överordnade
language_code kanalen med högst säkerhet, medan varje ord fortfarande har sitt
channel_index.