Speech to Text omvandlar talat ljud till skriven text. På ElevenLabs heter vår Speech to Text-modell Scribe. Den låter dig transkribera tal korrekt på över 90 språk, så att du enkelt kan omvandla ljud till läsbar och sökbar text.
Viktiga funktioner i Scribe
- Branschledande noggrannhet, med 98 % noggrannhet på stora språk som engelska, franska, italienska, portugisiska, spanska och tyska.
- Exakta tidsstämplar på ordnivå, så att du kan se exakt när varje ord sägs.
- Smart talardiarisering som automatiskt identifierar och separerar olika talare.
- Dynamisk ljudtaggning för att upptäcka ljud som inte är tal.
- Stöd för upp till 32 talare med bibehållen hög noggrannhet.
Nyheter i Scribe v3
Scribe v3 är vår mest exakta Speech to Text-modell. Jämfört med Scribe v2 erbjuder den:
- Färre transkriberingsfel. I FLEURS-benchmarktestet på 102 språk gör Scribe
v3 27 % färre ordfel än Scribe v2.
- Mer exakta talaretiketter för ljud med flera talare.
- Nummerformatering. Via API:et kan du välja om siffror ska skrivas som
siffror eller som ord.
- Sekundära språk. Via API:et kan du ange andra språk som förväntas förekomma i
ljudet för att förbättra noggrannheten för ljud med blandade språk.
Scribe v3 behåller funktionerna som introducerades i Scribe v2:
- Nyckelordsstyrning. Du kan ange upp till 100 ord eller fraser för att vägleda modellen
så att den transkriberar viktiga termer korrekt. Användning av nyckelordsstyrning ökar kostnaden med 20 %.
- Entitetsdetektering. Du kan välja specifika informationskategorier att identifiera i
transkriptionen, till exempel kreditkortsnummer, namn eller medicinska tillstånd. Entitetsdetektering är
endast tillgänglig via API och ingår utan extra kostnad.
- Smart stöd för flera språk. Du kan skicka in ljud som innehåller flera språk,
och Scribe identifierar och transkriberar automatiskt vart och ett korrekt.
- Förbättrad stabilitet. Scribe hanterar pauser, tonförändringar och långa tystnader
utan att avbrytas eller förlora noggrannhet.
Vilken version ska du använda?
Vi rekommenderar Scribe v3 (scribe_v3) när hög transkriberingsnoggrannhet krävs. Den är tillgänglig via vår webbplats och API. När du använder Speech to Text via vår webbplats är Scribe v3 standardmodellen. Arbetsytor i miljöer för dataresidens använder Scribe v2.
För medicinskt och kliniskt ljud använder du Scribe v2 Medical (scribe_v2_medical) via samma API. Den debiteras till samma pris som Scribe v2.
För användningsfall i realtid rekommenderar vi Scribe v3 Live (scribe_v3_live), som är tillgänglig via realtids-API:et. ElevenAgents använder Scribe v2 Realtime som standard.
Mer information finns i vår dokumentation för Speech to Text.