मीटिंग ट्रांसक्रिप्शन API का उपयोग कैसे करें: Scribe v2 के साथ रियल-टाइम और बैच

हाथ से मीटिंग नोट्स लेना थकाऊ होता है और इसमें गलतियां होने की संभावना रहती है, खासकर जब मीटिंग एक घंटे से ज़्यादा चले। इससे समय बर्बाद होता है और प्रतिभागियों का ध्यान चर्चा से भटकता है। ऑडियो रिकॉर्डिंग होने पर भी, किसी खास बातचीत को अलग-अलग स्पीकर्स के साथ टैग करना चुनौतीपूर्ण होता है। 

मीटिंग ट्रांसक्रिप्शन API से आप लाइव या रिकॉर्ड की गई मीटिंग्स को अपने प्रोडक्ट में टाइम-स्टैम्प्ड, स्पीकर-लेबल वाले टेक्स्ट में बदल सकते हैं। आप ऑडियो भेजते हैं और बदले में एक व्यवस्थित ट्रांसक्रिप्ट पाते हैं, बिना खुद स्पीच मॉडल बनाए।

यह लेख बताता है कि मीटिंग ट्रांसक्रिप्शन API कैसे काम करता है, रियल-टाइम और बैच ट्रांसक्रिप्शन की तुलना करता है, और दिखाता है कि Eleven Scribe v2 और Eleven Scribe v2 Realtime के साथ कैसे बनाया जाए।

सारांश

• मीटिंग ट्रांसक्रिप्शन API, मीटिंग ऑडियो को टाइमस्टैम्प और स्पीकर लेबल वाले ट्रांसक्रिप्ट में बदलता है।
• रियल-टाइम ट्रांसक्रिप्शन मीटिंग के दौरान कम लेटेंसी वाली कैप्शनिंग देता है, जबकि बैच ट्रांसक्रिप्शन मीटिंग खत्म होने के बाद ऑडियो रिकॉर्डिंग्स को प्रोसेस करता है।
• मीटिंग ट्रांसक्रिप्शन की सटीकता ऑडियो क्वालिटी, स्पीकर्स के वॉइस पैटर्न और इस्तेमाल किए गए वॉइस मॉडल पर निर्भर करती है। 
• ElevenLabs, Scribe v2 और Scribe v2 Realtime मॉडल देता है, जिनसे इंजीनियरिंग टीमें बेहद सटीक मीटिंग ट्रांसक्रिप्शन प्रोडक्ट बना सकती हैं। 

मीटिंग ट्रांसक्रिप्शन API क्या करता है और इसे किसकी ज़रूरत है

मीटिंग ट्रांसक्रिप्शन API मीटिंग ऑडियो को इनपुट के रूप में लेकर टेक्स्ट लौटाता है। यह स्पीच रिकग्निशन, स्पीकर डायरीकरण और टाइमस्टैम्पिंग संभालता है, जिससे आपको काम करने के लिए एक पूरा पैकेज मिलता है। हाथ से नोट्स लेने की तुलना में, मीटिंग्स के लिए स्पीच टू टेक्स्ट प्रतिभागियों को एक खोजने योग्य रिकॉर्ड देता है, जिसे वे बाद में देख सकते हैं।

जैसे-जैसे अधिक टीमें AI एजेंट्स अपना रही हैं, लिखित मीटिंग रिकॉर्ड खोजने योग्य संदर्भ बन जाते हैं। एक आंतरिक एजेंट जानकारी के लिए ट्रांसक्रिप्ट खोजता है, जिससे डेटा साइलो कम होते हैं और अलग-अलग टीमों को जानकारी तक बेहतर पहुंच मिलती है।

कई कमर्शियल टूल ट्रांसक्रिप्शन देते हैं, लेकिन वे किसी संगठन की ज़रूरतों को पूरी तरह पूरा नहीं कर पाते।

प्रोडक्ट इंजीनियरिंग टीमों के लिए, STT मीटिंग ऐप बनाना या किसी मौजूदा टूल में यह क्षमता जोड़ना कभी-कभी ज़्यादा व्यावहारिक होता है। अपने मीटिंग ट्रांसक्रिप्शन सॉफ़्टवेयर के साथ, आपका इन चीज़ों पर नियंत्रण होता है:

• प्राइवेसी: ElevenLabs एंटरप्राइज़ यूज़र्स के लिए Zero Retention Mode देता है, जो कुछ क्षेत्रों में प्राइवेसी की ज़रूरतों को बेहतर तरीके से पूरा करता है। 
• कस्टम शब्दावली: आप मॉडल को अतिरिक्त संदर्भ देते हैं, ताकि वह आपकी कंपनी, प्रोडक्ट और इंडस्ट्री के खास शब्दों को समझ और ट्रांसक्राइब कर सके। 
• ज़रूरत के मुताबिक वर्कफ़्लो: वेंडर-विशिष्ट वर्कफ़्लो तक सीमित रहने के बजाय, आप ऐसा मीटिंग ट्रांसक्रिप्शन टूल बनाते हैं जो आपके आंतरिक डेटाबेस, CRM और एंटरप्राइज़ सॉफ़्टवेयर से जुड़ता है। 

ElevenLabs बेहतरीन वॉइस और ऑडियो मॉडल देता है, जो आपको मीटिंग ट्रांसक्रिप्शन ऐप बनाने में मदद करते हैं। हमारे मीटिंग ट्रांसक्रिप्शन API से आप मीटिंग में कही जा रही बातों को सटीक टेक्स्ट नोट्स में कैप्चर कर सकते हैं। हमारे मॉडल 90+ भाषाओं को सपोर्ट करते हैं, जिससे आप अंग्रेज़ी, फ़्रेंच, मैंडरिन और दर्जनों अन्य भाषाओं में ट्रांसक्राइब कर सकते हैं। 

मीटिंग्स के लिए रियल-टाइम या बैच स्पीच टू टेक्स्ट: कैसे चुनें 

रियल-टाइम ट्रांसक्रिप्शन, बोली जा रही ऑडियो स्ट्रीम को कैप्चर करके लाइव कैप्शन में बदलता है। आप मीटिंग के दौरान टेक्स्ट सहायता देने या लाइव बॉट से सेशन के बीच में कार्रवाई शुरू कराने के लिए रियल-टाइम ट्रांसक्रिप्शन का उपयोग करते हैं। वहीं, बैच ट्रांसक्रिप्शन मीटिंग के बाद पूरी रिकॉर्डिंग प्रोसेस करता है और ज़्यादा संक्षिप्त, व्यवस्थित ट्रांसक्रिप्ट देता है। बैच ट्रांसक्रिप्शन मीटिंग के बाद नोट्स बनाने, रिकॉर्ड रखने और ऑडिट किए जा सकने वाले रिकॉर्ड बनाए रखने में मदद करता है। 

रियल-टाइम या बैच स्पीच-टू-टेक्स्ट ट्रांसक्रिप्शन चुनते समय तकनीकी और लागत संबंधी प्रभावों को समझना ज़रूरी है। 

दोनों तरीकों की एक त्वरित तुलना यहां दी गई है।

आखिरकार, आपका चुनाव प्राथमिकताओं पर निर्भर करता है। अगर आप लाइव मीटिंग असिस्टेंट बना रहे हैं, तो आपको रियल टाइम में ट्रांसक्राइब करना होगा। अन्यथा, बैच ट्रांसक्रिप्शन इस्तेमाल करें, जो लागत और सटीकता के फायदे देता है। 

Scribe v2 के साथ मीटिंग ट्रांसक्रिप्शन API कैसे सेट अप करें

ElevenLabs स्पीच टू टेक्स्ट से आप Scribe v2 Realtime और Scribe v2 के साथ मीटिंग्स ट्रांसक्राइब कर सकते हैं। दोनों वॉइस मॉडल अलग-अलग एक्सेंट, बोलियों और ऑडियो क्वालिटी में स्पीकर्स को सटीकता से टैग करने के लिए प्रशिक्षित हैं। Scribe v2 Realtime आपको लाइव स्पीच तुरंत ट्रांसक्राइब करने देता है, जबकि Scribe v2 ऑडियो रिकॉर्डिंग्स को बेहद सटीक ट्रांसक्रिप्ट में बदलता है। 

आप हमारे दिए गए API से दोनों मॉडल एक्सेस कर सकते हैं। नीचे हम हर मॉडल को विस्तार से देखेंगे, जिसमें मुख्य फीचर्स, API आर्किटेक्चर और आपके ट्रांसक्रिप्शन समाधान के साथ इंटीग्रेट करने के तरीके शामिल हैं। 

विकल्प 1: रियल-टाइम (लाइव) ट्रांसक्रिप्शन 

रियल-टाइम ट्रांसक्रिप्शन से आप मीटिंग के दौरान बातचीत को प्रोसेस कर सकते हैं और स्पीकर्स के बोलते ही उसे टेक्स्ट में बदल सकते हैं। सुनाई देने वाली और ट्रांसक्राइब की गई स्पीच के बीच बहुत कम या कोई दिखाई देने वाला अंतर नहीं होता। 

रियल टाइम में ट्रांसक्राइब करने के लिए आप Scribe v2 Realtime मॉडल का उपयोग करते हैं, जो ऑडियो इनपुट और टेक्स्ट आउटपुट के बीच 150 ms की कम लेटेंसी देता है (लगभग तुरंत मिलने वाले आंशिक ट्रांसक्रिप्शन)। इसका मतलब है कि मॉडल को अपने ट्रांसक्राइबर ऐप में इंटीग्रेट करने पर आपको बिना अंतराल वाली कैप्शनिंग मिलेगी। 

लाइव बातचीत को सपोर्ट करने के लिए डिज़ाइन किया गया Scribe v2 Realtime, लाइव कैप्शनिंग, रियल-टाइम मीटिंग नोट्स बनाने या दूसरे ट्रिगर्स के लिए AI असिस्टेंट को लाइव टेक्स्ट देने वाले उपयोग के मामलों के लिए उपयुक्त है। साथ ही, मॉडल प्रॉम्प्टिंग के लिए 50 तक मुख्य शब्दों को सपोर्ट करता है। 

Scribe v2 Realtime के साथ ट्रांसक्राइब कैसे करें

लाइव ट्रांसक्रिप्शन के लिए, अपने प्रोडक्ट को ElevenAPI का उपयोग करके Scribe v2 Realtime से कनेक्ट करें। 

1. सबसे पहले, अपने प्रोडक्ट को Scribe v2 Realtime मॉडल से ट्रांसक्रिप्ट पाने देने के लिए एक WebSocket खोलें। 
2. फिर, लाइव मीटिंग बातचीत की स्ट्रीम मॉडल को भेजें। 
3. अंत में, 150 ms के भीतर आंशिक और अंतिम ट्रांसक्रिप्ट पाएं। 

अपने कोड में, आप API इवेंट्स के लिए हैंडलर बनाते हैं, जो पूरे ट्रांसक्रिप्शन प्रोसेस के दौरान होते हैं। उदाहरण के लिए, आपका कोड ऑडियो डेटा भेजते और कमिट किया हुआ ट्रांसक्रिप्ट पाते समय होने वाले इवेंट्स को संभालता है। 

Scribe v2 Realtime के लिए लाइव स्ट्रीमिंग तरीके

नीचे दिया गया उदाहरण आपके बैकएंड पर एक सिंगल-यूज़ टोकन बनाता है। आपका क्लाइंट मीटिंग ऑडियो को मीटिंग ट्रांसक्रिप्शन API पर अपनी API key उजागर किए बिना स्ट्रीम कर सकता है।

// Node.js server
import { ElevenLabsClient } from "@elevenlabs/elevenlabs-js";

const elevenlabs = new ElevenLabsClient({
  apiKey: process.env.ELEVENLABS_API_KEY,
});

app.get("/scribe-token", yourAuthMiddleware, async (req, res) => {
  const token = await elevenlabs.tokens.singleUse.create("realtime_scribe");

  res.json(token);
});

आपके ऐप आर्किटेक्चर के आधार पर, आप क्लाइंट ऐप या बैकएंड सर्वर से Scribe v2 Realtime के साथ लाइव बातचीत स्ट्रीम कर सकते हैं।

• क्लाइंट-साइड स्ट्रीमिंग: इस तरीके में, आप माइक्रोफ़ोन से सीधे या मैन्युअल चंकिंग के ज़रिए ऑडियो इनपुट को ऑडियो मॉडल तक पहुंचाते हैं। API से कनेक्ट करने के लिए, आप सिंगल-यूज़ टोकन से वैलिडेट करते हैं, जिससे आपकी API key उजागर नहीं होती। 
• सर्वर-साइड स्ट्रीमिंग: यह तरीका आपको URL, फ़ाइल अपलोड या ऑडियो स्ट्रीम से सीधे ऑडियो स्ट्रीम करने देता है। सिंगल-यूज़ टोकन के बजाय आप अपनी ElevenLabs API key इस्तेमाल करते हैं। 

Scribe v2 Realtime के लिए कमिट रणनीति चुनना

नीचे दिया गया उदाहरण वॉइस एक्टिविटी डिटेक्शन कॉन्फ़िगर करता है। जब भी कोई स्पीकर रुकेगा, API एक ट्रांसक्रिप्ट सेगमेंट कमिट करेगा।

import { Scribe, AudioFormat, CommitStrategy } from "@elevenlabs/client";

const connection = Scribe.connect({
  token: "sutkn_1234567890",
  modelId: "scribe_v2_realtime",
  audioFormat: AudioFormat.PCM_16000,
  commitStrategy: CommitStrategy.VAD,
  vadSilenceThresholdSecs: 1.5,
  vadThreshold: 0.4,
  minSpeechDurationMs: 100,
  minSilenceDurationMs: 100,
});

अंतिम ट्रांसक्रिप्ट ऐसे प्रमाणिक रिकॉर्ड देता है, जो मीटिंग में कही जा रही बातों को सटीक रूप से कैप्चर करते हैं। अंतिम ट्रांसक्रिप्ट कमिट करने के दो तरीके हैं: मैन्युअल रूप से या वॉइस एक्टिविटी डिटेक्शन (VAD) के साथ। 

• मैन्युअल कमिट: डिफ़ॉल्ट रूप से, आपको अपने कोड में ट्रांसक्रिप्ट सेगमेंट को मैन्युअल रूप से कमिट करना होता है। बेहतरीन लेटेंसी के लिए हम हर 20 से 30 सेकंड में कमिट करने की सलाह देते हैं। अगर आपको संदर्भ खोने की चिंता है, तो प्रोसेसिंग के लिए आप ऑडियो सेगमेंट के साथ पिछला टेक्स्ट भेज सकते हैं।
• वॉइस एक्टिविटी डिटेक्शन: वैकल्पिक रूप से, आप VAD का उपयोग कर सकते हैं, जो ट्रांसक्रिप्शन शुरू करने के लिए ऑडियो स्ट्रीम में मौन का पता लगाता है। 

विकल्प 2: बैच ट्रांसक्रिप्शन (मीटिंग के बाद) 

बैच ट्रांसक्रिप्शन, घंटों की मीटिंग रिकॉर्डिंग्स को टेक्स्ट फ़ॉर्मेट में बदलने का प्रभावी तरीका है। यह बड़े पैमाने पर संक्षिप्त, संदर्भ के अनुरूप और स्पीकर-डायरीकृत ट्रांसक्रिप्ट देता है।

Scribe v2 एक ElevenLabs स्पीच-टू-टेक्स्ट मॉडल है, जो डायनामिक ऑडियो टैगिंग को सपोर्ट करता है। आप बातचीत के डेटा के साथ-साथ हंसी और कदमों की आहट जैसे गैर-स्पीच इवेंट्स भी सटीकता से निकाल सकते हैं। 

रियल-टाइम ट्रांसक्रिप्शन के विपरीत, Scribe v2 रिकॉर्डिंग के बाद मीटिंग नोट्स के लिए बनाया गया है। उदाहरण के लिए, आप Zoom, Teams और Google Meet जैसे प्लेटफ़ॉर्म पर मीटिंग रिकॉर्ड करते हैं। फिर, बैच ट्रांसक्रिप्शन के लिए सेशन के बाद ऑडियो फ़ाइलें Scribe v2 पर अपलोड करते हैं। 

Scribe v2 के साथ बैच ट्रांसक्राइब कैसे करें 

Scribe v2 के साथ ट्रांसक्रिप्शन REST API पर असिंक्रोनस रूप से होता है। आपको वॉइस मॉडल के साथ सक्रिय कनेक्शन बनाए रखने की ज़रूरत नहीं है। इसके बजाय, ट्रांसक्रिप्ट तैयार होने पर सूचना पाने के लिए वेबहुक इस्तेमाल करें।

नीचे वह तार्किक फ़्लो है जो ऑडियो रिकॉर्डिंग्स को ट्रांसक्रिप्ट में बदलता है।

1. सबसे पहले, ट्रांसक्रिप्शन के नतीजे पाने के लिए ElevenLabs डैशबोर्ड पर एक WebHook बनाएं।
2. फिर, लौटाए गए ट्रांसक्रिप्शन को प्रोसेस करने के लिए अपने कोड में इवेंट हैंडलर बनाएं। 
3. फिर, ऑडियो फ़ाइलें Scribe v2 REST एंडपॉइंट पर अपलोड करें। 

ट्रांसक्रिप्शन पूरा होने पर, आपका कॉन्फ़िगर किया हुआ इवेंट हैंडलर चलाया जाएगा। 

Scribe v2 के लिए कीवर्ड प्रॉम्प्टिंग

Scribe v2 (बैच), कीवर्ड प्रॉम्प्टिंग के लिए 1,000 तक शब्दों को सपोर्ट करता है। ट्रांसक्रिप्शन के लिए ऑडियो फ़ाइल भेजते समय, आप API कॉल में शब्द शामिल कर सकते हैं। शब्दावली सूची के विपरीत, Scribe v2 सही ट्रांसक्रिप्शन तय करने के लिए कीवर्ड्स की तुलना बातचीत के संदर्भ से करता है।

इससे मॉडल किसी खास शब्द के बोले जाने पर उस पर अतिरिक्त ध्यान देता है और उसे सटीक रूप से ट्रांसक्राइब करता है। 

नीचे दिया गया उदाहरण रिक्वेस्ट के साथ कंपनी और प्रोडक्ट के शब्द भेजता है, यानी API उन्हें संदर्भ में सही तरह ट्रांसक्राइब करेगा। 

connection = await elevenlabs.speech_to_text.realtime.connect(RealtimeUrlOptions(
    model_id="scribe_v2_realtime",
    keyterms=["ElevenLabs"],
))

उदाहरण के लिए, जब आप किसी ब्रांड या कंपनी के रूप में संदर्भानुसार शब्द का उच्चारण करते हैं, तो यह “ElevenLabs” ट्रांसक्राइब करता है। 

Scribe v2 के लिए मल्टीचैनल ट्रांसक्रिप्शन

मल्टीचैनल ट्रांसक्रिप्शन Scribe v2 मॉडल को अलग-अलग स्पीकर्स की स्पीच वाली ऑडियो फ़ाइल के हर चैनल को ट्रांसक्राइब करने देता है। यह फीचर कॉन्फ़्रेंस, अदालत की रिकॉर्डिंग्स या पॉडकास्ट के लिए ट्रांसक्रिप्शन टूल बनाते समय उपयोगी है। 

हर चैनल को एक यूनिक आइडेंटिफ़ायर से टैग किया जाएगा, जो एक स्पीकर को दर्शाता है।

मीटिंग ट्रांसक्रिप्शन की आम चुनौतियां और API उन्हें कैसे संभालता है 

मीटिंग्स ट्रांसक्राइब करते समय इंजीनियरिंग टीमों को अक्सर कई चुनौतियों का सामना करना पड़ता है।

एक-दूसरे पर चढ़ती बातचीत 

कई स्पीकर्स का एक-दूसरे के ऊपर बोलना, कही जा रही बात को समझना मुश्किल बना देता है। स्पीकर्स को अलग पहचानने के लिए डायरीकरण या मल्टीचैनल ट्रांसक्रिप्शन इस्तेमाल करें, जो Scribe v2 देता है। इस तरह, आपको संबंधित स्पीकर्स के साथ टैग किए गए अलग-अलग ट्रांसक्रिप्शन मिलते हैं।

गलत व्याख्या

ट्रांसक्रिप्शन टूल्स के सामने एक और समस्या खास प्रोडक्ट्स, ब्रांड्स या इंडस्ट्री शब्दों को सटीकता से पहचानना और समझना है। उदाहरण के लिए, सॉफ़्टवेयर डेवलपर्स के लिए परिचित शब्द "DevOps," को गलती से “dev ops” ट्रांसक्राइब किया जा सकता है। ElevenLabs मीटिंग ट्रांसक्रिप्शन API के साथ, आप की टर्म प्रॉम्प्टिंग के ज़रिए मॉडल को सही अर्थ समझने के लिए गाइड कर सकते हैं।

बहुभाषी स्पीकर्स

कुछ मीटिंग्स अलग-अलग भाषाओं में होती हैं, जहां स्पीकर्स उन दो या अधिक भाषाओं के बीच बदलते हैं जिनमें वे दक्ष होते हैं। सामान्य वॉइस मॉडल संदर्भ और स्पीच कंटेंट समझने में संघर्ष करते हैं, जिससे ट्रांसक्रिप्शन क्वालिटी खराब होती है। Scribe v2 बहुभाषी ट्रांसक्रिप्शन को 90 से अधिक भाषाओं में सक्षम बनाता है और बातचीत को होते हुए सटीकता से कैप्चर करता है। 

लाइव कैप्शनिंग और रिकॉर्डिंग के बाद का ट्रांसक्रिप्ट

कुछ टीमों को लाइव कैप्शनिंग दिखाने और मीटिंग के बाद ट्रांसक्रिप्ट बनाने की ज़रूरत होती है। दुर्भाग्य से, हर रेडीमेड ट्रांसक्रिप्शन टूल दोनों फीचर्स नहीं देता। ElevenLabs API आपको Scribe v2 और Scribe v2 Realtime के साथ दोनों काम करने देता है। 

मीटिंग ट्रांसक्रिप्शन API के साथ शुरुआत करें

ElevenAPI आपको मीटिंग्स के लिए ट्रांसक्रिप्शन टूल बनाने हेतु बेहतरीन स्पीच टू टेक्स्ट मॉडल्स का एक्सेस देता है। बिल्ड एनवायरनमेंट सेट अप करना आसान है। आप एक API key लेते हैं और Python या Node.js के लिए SDK इंस्टॉल करते हैं। फिर, दिए गए API से Scribe v2 या Scribe v2 Realtime को अपने प्रोडक्ट के साथ इंटीग्रेट करते हैं। 

ElevenLabs का एक्सेस पाएं और अपनी पहली API रिक्वेस्ट भेजें। 

अक्सर पूछे जाने वाले सवाल