Redigering av transkript

Översikt

Med transkriptredigering kan du bifoga en instruktion på naturligt språk till en transkriberingsbegäran. När ljudet har transkriberats tillämpas din instruktion på transkriptet och den redigerade texten returneras tillsammans med originalet.

Det ersätter ett separat efterbehandlingssteg i din egen pipeline. Vanliga användningsområden är att standardisera hur datum, tider eller enheter skrivs, skriva ut förkortningar, ta bort innehåll du inte behöver, tillämpa en annan stil eller ton eller formatera om transkriptet.

Om du till exempel transkriberar ett röstmeddelande med instruktionen Write all dates in ISO 8601 format (YYYY-MM-DD) returneras båda versionerna av texten:

{
  "language_code": "eng",
  "language_probability": 0.9912,
  "text": "Hi, this is Jill. Your appointment is confirmed for the twelfth of July twenty twenty-six, and the follow-up is on the third of August.",
  "words": [
    { "text": "Hi,", "start": 0.12, "end": 0.38, "type": "word", "logprob": 0.0 },
    { "text": " ", "start": 0.38, "end": 0.41, "type": "spacing", "logprob": 0.0 },
    { "text": "this", "start": 0.41, "end": 0.55, "type": "word", "logprob": 0.0 },
    ...
  ],
  "transcription_id": "Y2ZX8AxHUzTPCIualYiE",
  "edited_transcript": {
    "kind": "transcript",
    "text": "Hi, this is Jill. Your appointment is confirmed for 2026-07-12, and the follow-up is on 2026-08-03."
  }
}

Fälten text och words beskriver alltid originaltranskriptet. Den redigerade versionen returneras separat i edited_transcript.

Integrera transkriptredigering

Transkriptredigering integreras i Speech to Text API genom att skicka parametern transcript_edit till metoden convert. Instruktionen får vara upp till 2 000 tecken lång.

import os
from dotenv import load_dotenv
from elevenlabs.client import ElevenLabs
load_dotenv()
elevenlabs = ElevenLabs(
    api_key=os.getenv("ELEVENLABS_API_KEY"),
)
with open("voicemail.mp3", "rb") as audio_file:
    transcription = elevenlabs.speech_to_text.convert(
        file=audio_file,
        model_id="scribe_v2",
        # Natural-language instruction applied to the finished transcript.
        transcript_edit="Write all dates in ISO 8601 format (YYYY-MM-DD)",
    )
print("Original:", transcription.text)
print("Edited:", transcription.edited_transcript)

Transkriptredigering fungerar med både synkrona begäranden och webhook-begäranden. För webhookbegäranden ingår edited_transcript i objektet transcription i webhookens payload.

Scribe v2 Realtime stöder samma instruktioner för varje bekräftat transkript. Se guiden för redigering av realtidstranskript.

Skriva instruktioner

Instruktionen tillämpas på hela transkriptet där den är relevant, och varje matchande förekomst redigeras, inte bara den första. En instruktion kan ändra specifika ord eller fraser och lämna allt annat orört, eller skriva om eller kommentera hela texten. En enskild instruktion kan kombinera flera redigeringar.

Följande exempel visar utbudet av instruktioner som stöds:

Tänk på följande när du skriver instruktioner:

• Var tydlig med önskat resultat. Write all dates in ISO 8601 format (YYYY-MM-DD) är mer tillförlitligt än fix the dates.
• Instruktionen kan skrivas på vilket språk som helst, men instruktioner på engelska fungerar bäst. Det redigerade transkriptet förblir på originalets språk.
• Endast instruktionen utförs. Innehåll som sägs i ljudet behandlas som data och kan inte ändra hur instruktionen tillämpas.
• Om inget i transkriptet påverkas av instruktionen är det redigerade transkriptet identiskt med originalet.

Svarsformat

När transcript_edit anges innehåller svaret ett objekt av typen edited_transcript. Fältet kind anger om redigeringen lyckades:

Fältet saknas när ingen transcript_edit har begärts.

{
  "text": "Hi, this is Jill. Your appointment is confirmed for ...",
  "edited_transcript": {
    "kind": "error",
    "error_type": "edit_failed",
    "message": "The transcript could not be edited. Please try again."
  }
}

Att känna till:

• Det redigerade transkriptet är oformaterad text. Tidsstämplar på ordnivå, talaretiketter och additional_formats fortsätter att beskriva originaltranskriptet.
• Redigeringen körs efter att transkriberingen har slutförts, så den ökar latensen i takt med transkriptets längd.
• Tillägget beräknas utifrån begärans ljudlängd, med minst 10 sekunder debiterade per begäran.

Nästa steg