ElevenLabs: Scribe v2

ElevenLabs: Scribe v2 es un modelo de voz a texto de ElevenLabs, un proveedor conocido por su trabajo en audio y voz. Se sitúa en la categoría de transcripción, por lo que su función es convertir audio hablado en texto escrito en lugar de generar respuestas conversacionales. Si tu canal de procesamiento necesita un paso de transcripción dedicado, este es el tipo de modelo que evaluarías por sí solo y no como un modelo de chat de propósito general.

El modelo acepta audio como entrada y devuelve una transcripción como salida. Según el proveedor, maneja voz a texto en más de 90 idiomas. Produce marcas de tiempo a nivel de palabra, que te permiten alinear cada palabra de la transcripción con un punto del audio. La diarización de hablantes está disponible como opción, así que puedes distinguir quién dijo qué en una grabación con varios hablantes. También se admite el etiquetado de eventos de audio, lo que significa que los sonidos no verbales del audio se pueden marcar en la salida. No se indica ninguna longitud de contexto para este modelo, así que trátalo como un endpoint de transcripción y no como algo en lo que introduces prompts de texto largos.

Esas capacidades apuntan a un conjunto de casos de uso bastante específico. Las marcas de tiempo a nivel de palabra son útiles cuando necesitas subtítulos o leyendas que se mantengan sincronizados con el audio, o cuando quieres saltar al momento exacto en que se dijo una frase. La diarización de hablantes encaja en grabaciones de reuniones, entrevistas y grabaciones de llamadas donde necesitas atribuir cada línea a un participante. El etiquetado de eventos de audio ayuda cuando la transcripción debe indicar más que el habla, por ejemplo marcar un sonido que ocurre durante la grabación. La cobertura de más de 90 idiomas lo convierte en candidato para archivos multilingües o productos que atienden a usuarios de distintas regiones.

Llamas al modelo a través de la API compatible con OpenAI de api14 usando el id de modelo "elevenlabs/scribe-v2". Como la interfaz sigue el formato de OpenAI, puedes apuntar un cliente de OpenAI existente a api14 y enviar tu solicitud de audio con ese id. El modelo no indica parámetros de solicitud admitidos, así que aquí no hay opciones de ajuste adicionales documentadas más allá de lo que acepta el propio endpoint. Los detalles también indican una salida máxima de 0, lo que conviene comprobar frente a las longitudes de transcripción que esperas antes de comprometerte con él.

Dada la lista vacía de parámetros y la ausencia de una longitud de contexto declarada, lo mejor es tratar este modelo como un servicio de transcripción enfocado y no como un modelo de texto configurable. Si necesitas un modelo que acepte prompts de texto y genere texto, o uno en el que puedas ajustar el muestreo y configuraciones similares, otro modelo en api14 encajará mejor. Para audio de entrada y transcripción de salida, Scribe v2 es la opción directa.