Vercel AI SDK
Använd ElevenLabs Provider i Vercel AI SDK för att transkribera tal från ljud- och videofiler.
Guide · Förutsätter att du har slutfört kom igång-guiden för Speech to Text och har konfigurerat ett Vercel-projekt.
ElevenLabs Provider
ElevenLabs-providern har stöd för ElevenLabs API för transkribering.
Konfiguration
ElevenLabs-providern finns i modulen @ai-sdk/elevenlabs. Du kan installera den med npm:
Providerinstans
Du kan importera standardproviderinstansen elevenlabs från @ai-sdk/elevenlabs:
Om du behöver en anpassad konfiguration kan du importera createElevenLabs från @ai-sdk/elevenlabs och skapa en providerinstans med dina inställningar:
Du kan använda följande valfria inställningar för att anpassa ElevenLabs-providerinstansen:
-
apiKey string
API-nyckel som skickas med rubriken
Authorization. Som standard används miljövariabelnELEVENLABS_API_KEY. -
headers Record<string,string>
Anpassade rubriker som ska inkluderas i begärandena.
-
fetch (input: RequestInfo, init?: RequestInit) => Promise<Response>
Anpassad implementering av fetch. Som standard används den globala funktionen
fetch. Du kan använda den som middleware för att fånga upp begäranden eller för att tillhandahålla en anpassad fetch-implementering, till exempel för testning.
Transkriberingsmodeller
Du kan skapa modeller som anropar ElevenLabs API för transkribering
med fabriksmetoden .transcription().
Det första argumentet är modell-ID:t, till exempel scribe_v3.
Du kan också skicka ytterligare providerspecifika alternativ med argumentet providerOptions. Att till exempel ange inmatningsspråket i ISO-639-1-format (t.ex. en) kan ibland förbättra transkriberingsprestandan om språket är känt i förväg.
Följande provideralternativ finns:
-
languageCode string
En ISO-639-1- eller ISO-639-3-språkkod som motsvarar språket i ljudfilen. Kan ibland förbättra transkriberingsprestandan om språket är känt i förväg. Standardvärdet är
null, vilket innebär att språket förutsägs automatiskt. -
tagAudioEvents boolean
Anger om ljudhändelser som (skratt), (fotsteg) osv. ska taggas i transkriberingen. Standardvärdet är
true. -
numSpeakers integer
Det maximala antalet talare i den uppladdade filen. Kan hjälpa till att förutsäga vem som talar när. Det maximala antalet talare som kan förutsägas är 32. Standardvärdet är
null, vilket innebär att antalet talare anges till det högsta värde som modellen stöder. -
timestampsGranularity enum
Tidsstämplarnas detaljnivå i transkriberingen. Standardvärdet är
'word'. Tillåtna värden:'none','word','character'. -
diarize boolean
Anger om det ska markeras vilken talare som för närvarande talar i den uppladdade filen. Standardvärdet är
true. -
fileFormat enum
Formatet för inmatningsljudet. Standardvärdet är
'other'. Tillåtna värden:'pcm_s16le_16','other'. För'pcm_s16le_16'måste inmatningsljudet vara 16-bitars PCM med en samplingsfrekvens på 16 kHz, en kanal (mono) och little-endian-byteordning. Fördröjningen blir lägre än när du skickar en kodad vågform.