ElevenLabs: Scribe v2

ElevenLabs: Scribe v2 adalah model speech-to-text dari ElevenLabs, provider yang dikenal karena karyanya di bidang audio dan suara. Model ini berada dalam kategori transkripsi, jadi tugasnya adalah mengubah audio lisan menjadi teks tertulis, bukan menghasilkan balasan percakapan. Jika pipeline Anda membutuhkan langkah transkripsi khusus, inilah jenis model yang Anda evaluasi secara tersendiri, bukan sebagai model chat serbaguna.

Model ini menerima audio sebagai input dan mengembalikan transkripsi sebagai output. Menurut provider, model ini menangani speech-to-text di lebih dari 90 bahasa. Model ini menghasilkan timestamp tingkat kata, yang memungkinkan Anda menyelaraskan setiap kata dalam transkrip ke titik tertentu dalam audio. Diarisasi pembicara tersedia sebagai opsi, sehingga Anda dapat membedakan siapa mengatakan apa dalam rekaman dengan banyak pembicara. Penandaan peristiwa audio juga didukung, yang berarti suara non-ucapan dalam audio dapat ditandai pada output. Tidak ada panjang konteks yang dicantumkan untuk model ini, jadi perlakukan ini sebagai endpoint transkripsi, bukan sesuatu yang Anda beri prompt teks panjang.

Kemampuan tersebut mengarah ke serangkaian use case yang cukup spesifik. Timestamp tingkat kata berguna ketika Anda membutuhkan subtitle atau caption yang tetap sinkron dengan audio, atau ketika Anda ingin melompat ke momen tepat saat sebuah frasa diucapkan. Diarisasi pembicara cocok untuk rekaman rapat, wawancara, dan rekaman panggilan di mana Anda perlu mengatribusikan setiap baris ke peserta. Penandaan peristiwa audio membantu ketika transkrip harus mencatat lebih dari sekadar ucapan, misalnya menandai suara yang terjadi selama rekaman. Cakupan 90+ bahasa membuatnya menjadi kandidat untuk arsip multibahasa atau produk yang melayani pengguna lintas wilayah.

Anda memanggil model ini melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id "elevenlabs/scribe-v2". Karena antarmukanya mengikuti format OpenAI, Anda dapat mengarahkan klien OpenAI yang sudah ada ke api14 dan mengirim permintaan audio Anda dengan id tersebut. Model ini tidak mencantumkan parameter permintaan yang didukung, jadi tidak ada opsi penyetelan tambahan yang didokumentasikan di sini selain yang diterima endpoint itu sendiri. Detailnya juga mencantumkan max output 0, yang perlu diperiksa terhadap perkiraan panjang transkrip Anda sebelum Anda memutuskan untuk menggunakannya.

Mengingat daftar parameter yang kosong dan tidak adanya panjang konteks yang dinyatakan, model ini paling baik diperlakukan sebagai layanan transkripsi yang terfokus, bukan model teks yang dapat dikonfigurasi. Jika Anda membutuhkan model yang menerima prompt teks dan menghasilkan teks, atau model yang pengaturan sampling dan sejenisnya dapat Anda sesuaikan, model lain di api14 akan lebih cocok. Untuk audio masuk, transkrip keluar, Scribe v2 adalah opsi langsungnya.