ElevenLabs Scribe v2

Что делает

ElevenLabs Scribe v2 принимает аудио и выдаёт текст. Вы даёте видео- или аудиофайл, а она возвращает расшифровку с таймкодами и метками говорящих, так что каждая строка текста привязана к моменту записи и к тому, кто говорил. Конвейер Транскрипция, который она питает, покрывает более 99 языков. Она не создаёт аудио, изображения или видео. Единственный результат — расшифровка и связанные с ней метаданные времени и говорящих.

Когда использовать

• Запуск конвейера Транскрипция на записанном интервью или подкасте, когда нужно знать, кто произнёс каждую реплику, а не только что было сказано.
• Превращение видеофайла в текст, по которому можно искать, из которого можно цитировать и который можно править. Таймкоды позволяют вернуть любую фразу к моменту в исходнике.
• Расшифровка записей не на английском или со смешением языков — конвейер покрывает более 99 языков.
• Получение расшифровки с таймкодами и метками говорящих, которую можно передать дальше по вашему рабочему процессу.
• Любая задача, где результат — текст, полученный из речи, а не то, что нужно переозвучить или отрендерить заново.

Что нужно знать перед запуском

Стоимость растёт с длительностью аудио. Оптовые единицы поминутные, с уровнями на 30 и 60 минут, поэтому длинная запись стоит пропорционально дороже короткой. Обрезка до действительно нужного фрагмента — главный доступный вам рычаг. Здесь нет настройки качества или разрешения для компромисса, нет референсного изображения и дополнительных входов: вы загружаете один медиафайл и получаете одну расшифровку. Метки говорящих даёт сама модель, а не настройка, которую вы задаёте, так что подкручивать там нечего. Сверьте метки с записью, если атрибуция говорящих важна для результата. Опубликованных примеров для этой модели пока нет.

Также известна как

Эту модель можно встретить как ElevenLabs Scribe, Scribe v2 (Batch) или под идентификатором scribe_v2. Всё это относится к одной и той же модели в Pipe2.