ElevenLabs: Scribe v2

ElevenLabs: Scribe v2 ist ein Speech-to-Text-Modell von ElevenLabs, einem Anbieter, der für seine Arbeit im Bereich Audio und Stimme bekannt ist. Es gehört zur Kategorie Transkription, seine Aufgabe ist also die Umwandlung von gesprochenem Audio in geschriebenen Text und nicht die Erzeugung von Konversationsantworten. Wenn Ihre Pipeline einen dedizierten Transkriptionsschritt benötigt, ist dies die Art von Modell, die Sie für sich allein bewerten würden, und nicht als allgemeines Chat-Modell.

Das Modell akzeptiert Audio als Eingabe und liefert eine Transkription als Ausgabe. Laut dem Anbieter bewältigt es Speech-to-Text in mehr als 90 Sprachen. Es erzeugt Zeitstempel auf Wortebene, mit denen Sie jedes Wort im Transkript einem Punkt im Audio zuordnen können. Sprecherdiarisierung ist optional verfügbar, sodass Sie bei einer Aufnahme mit mehreren Sprechern unterscheiden können, wer was gesagt hat. Auch die Markierung von Audioereignissen wird unterstützt, das heißt, Nicht-Sprachgeräusche im Audio können in der Ausgabe gekennzeichnet werden. Für dieses Modell ist keine Kontextlänge angegeben, behandeln Sie es also als Transkriptions-Endpunkt und nicht als etwas, in das Sie lange Text-Prompts eingeben.

Diese Fähigkeiten deuten auf eine ziemlich spezifische Gruppe von Anwendungsfällen hin. Zeitstempel auf Wortebene sind nützlich, wenn Sie Untertitel oder Bildunterschriften benötigen, die mit dem Audio synchron bleiben, oder wenn Sie zum genauen Moment springen möchten, in dem ein Satz gesprochen wurde. Sprecherdiarisierung passt zu Meeting-Aufnahmen, Interviews und Anrufaufzeichnungen, bei denen Sie jede Zeile einem Teilnehmer zuordnen müssen. Die Markierung von Audioereignissen hilft, wenn das Transkript mehr als nur Sprache vermerken soll, zum Beispiel das Kennzeichnen eines Geräuschs, das während der Aufnahme auftritt. Die Abdeckung von über 90 Sprachen macht es zu einem Kandidaten für mehrsprachige Archive oder Produkte, die Nutzer über Regionen hinweg bedienen.

Sie rufen das Modell über die OpenAI-kompatible API von api14 mit der Modell-ID "elevenlabs/scribe-v2" auf. Da die Schnittstelle dem OpenAI-Format folgt, können Sie einen vorhandenen OpenAI-Client auf api14 richten und Ihre Audioanfrage mit dieser ID senden. Das Modell listet keine unterstützten Anfrageparameter auf, es gibt hier also keine zusätzlichen Tuning-Optionen über das hinaus, was der Endpunkt selbst akzeptiert. Die Details geben außerdem eine maximale Ausgabe von 0 an, was Sie gegen Ihre erwarteten Transkriptlängen prüfen sollten, bevor Sie sich darauf festlegen.

Angesichts der leeren Parameterliste und des Fehlens einer angegebenen Kontextlänge sollte dieses Modell am besten als fokussierter Transkriptionsdienst behandelt werden und nicht als konfigurierbares Textmodell. Wenn Sie ein Modell benötigen, das Text-Prompts entgegennimmt und Text generiert, oder eines, bei dem Sie Sampling und ähnliche Einstellungen anpassen können, passt ein anderes Modell auf api14 besser. Für Audio rein, Transkript raus ist Scribe v2 die direkte Option.