ElevenLabs Scribe v2

できること

ElevenLabs Scribe v2 は音声を受け取ってテキストを出力します。動画または音声ファイルを渡すと、タイムスタンプと話者ラベル付きの文字起こしが返ってきます。各行のテキストが録音上の位置と、その時話していた人物に結び付けられます。このモデルが支える文字起こしパイプラインは99以上の言語に対応します。音声・画像・動画は生成しません。出力は文字起こしと、それに付随する時間および話者のメタデータだけです。

使用するタイミング

• 録音済みのインタビューやポッドキャストに文字起こしパイプラインを実行し、何が話されたかだけでなく誰がどの発言をしたかを知りたいとき。
• 動画ファイルを、検索・引用・編集できるテキストに変えるとき。タイムスタンプにより、任意の文を元の該当箇所に戻して対応付けられます。
• 英語以外や複数言語が混ざった録音を文字起こしするとき。パイプラインは99以上の言語に対応します。
• 時間情報と話者ラベルの付いた文字起こしを作り、自分のワークフローの次の工程へ引き渡したいとき。
• 成果物が音声から導かれたテキストであり、再収録や再レンダリングを要しない作業全般。

実行前に知っておくこと

費用は音声の長さに応じて増えます。卸単位は分単位で、30分と60分の段階があるため、長い録音は短い録音より比例して高くなります。実際に必要な区間まで切り詰めることが、使える主な手段です。品質や解像度で調整する設定はなく、参照画像や追加入力もありません。メディアファイルを1つアップロードし、文字起こしを1つ受け取ります。話者ラベルは設定ではなくモデル自身が付けるため、そこで調整できるものはありません。話者の割り当てが成果物にとって重要なら、ラベルを録音と照合してください。このモデルにはまだ公開された作例がありません。

別名

このモデルは ElevenLabs Scribe、Scribe v2 (Batch)、または識別子 scribe_v2 として参照されることがあります。いずれも Pipe2 上の同じモデルを指します。