ElevenLabs: Scribe v2 Medical

ElevenLabs Scribe v2 Medical は ElevenLabs の音声テキスト変換モデルで、臨床および医療用語に特化して調整された Scribe v2 の派生版として構築されています。文字起こしカテゴリに属するため、その役割は会話的な応答を生成したりプロンプトについて推論したりすることではなく、話された音声を書き起こされたテキストに変換することです。アプリケーションに医師がカルテを口述する場面、臨床会話、または医療用語が重要となる音声が含まれる場合、これが ElevenLabs がその作業向けに位置づけているモデルです。

このモデルは音声を入力として受け取り、文字起こしを出力として返します。公表されている機能には、単語レベルのタイムスタンプ、オプションの話者ダイアリゼーション、音声イベントのタグ付けが含まれます。単語レベルのタイムスタンプにより、文字起こし内の各単語を音声内の時点に整列できるため、再生の同期、キャプション、ハイライトに役立ちます。話者ダイアリゼーションを有効にすると、複数の話者の間で誰が何を言ったかを分離します。音声イベントのタグ付けは、録音内の非音声イベントをマークします。このモデルについてコンテキスト長は公開されておらず、サポートされるリクエストパラメータも記載されていないため、サンプリング制御で調整するものではなく、固定用途の文字起こしエンドポイントとして扱うべきです。

実用的な用途はこれらの機能から直接導かれます。臨床文書化は明らかな用途です。標準的な音声テキスト変換モデルが薬剤名、処置、略語でつまずきがちな場面で、患者とのやり取りや口述されたカルテを文字起こしします。ダイアリゼーションにより、診察や症例検討など複数人が参加する録音に適しており、発言を正しい話者に帰属させる必要がある場合に役立ちます。単語レベルのタイムスタンプはレビューのワークフローを支え、臨床医や監査者がフレーズが話された正確な時点にジャンプできるようにします。音声イベントのタグ付けは、録音に文字起こしの解釈上重要な背景音が含まれる場合に役立ちます。

これは api14 の OpenAI 互換 API を通じて、モデル id "elevenlabs/scribe-v2-medical" を使用して呼び出します。インターフェースは OpenAI 形式に従っているため、既存の OpenAI クライアントを api14 のベース URL に向け、文字起こしリクエストですでに使用しているのと同じ形式で音声を送信できます。このモデルは音声入力を受け取り、文字起こし出力を返します。このモデルでサポートされる追加のリクエストパラメータは記載されていないため、temperature やカスタムプロンプトなどの調整オプションが有効になると想定せず、リクエストは標準の文字起こしフィールドにとどめてください。

計画しておくべき点が 1 つあります。このモデルは音声入力、文字起こし出力です。テキストプロンプトを入力として受け取らず、文字起こしを超える生成テキストも生成しないため、診察の要約、記録に関する質問への回答、構造化フィールドの抽出といったタスクは、文字起こしステップの下流にあるテキストモデルに属します。医療用語に調整されたものではなく汎用の音声テキスト変換モデルが必要な場合は、標準の Scribe 派生版の方が適しているかもしれません。特に臨床および医療音声については、このモデルの用語調整、タイムスタンプ、ダイアリゼーション、イベントタグ付けがこれを選ぶ理由です。