Zum Hauptinhalt springen
POST
/
v3
/
elevenlabs-scribe-v1
ElevenLabs Speech-to-Text V1
curl --request POST \
  --url https://api.highwayapi.ai/v3/elevenlabs-scribe-v1 \
  --header 'Authorization: <authorization>' \
  --header 'Content-Type: <content-type>' \
  --data '
{
  "seed": 123,
  "diarize": true,
  "file_format": "<string>",
  "temperature": 123,
  "num_speakers": 123,
  "language_code": "<string>",
  "tag_audio_events": true,
  "cloud_storage_url": "<string>",
  "use_multi_channel": true,
  "diarization_threshold": 123,
  "timestamps_granularity": "<string>"
}
'
Transkribiert Audio- oder Videodateien. Wenn use_multi_channel auf true gesetzt ist und die hochgeladene Audiodatei mehrere Kanäle hat, wird ein ‘transcripts’-Objekt zurückgegeben, mit einer Transkription pro Kanal. Andernfalls wird ein einzelnes Transkriptionsergebnis zurückgegeben.

​
Anfrageheader

​
Content-Type
string
erforderlich
Enumerationswert: application/json
​
Authorization
string
erforderlich
Bearer-Authentifizierungsformat: Bearer {{API Key}}.

​
Anfragetext

​
seed
integer
Wenn angegeben, bemüht sich das System um deterministisches Sampling. Anfragen mit demselben seed und denselben Parametern sollten dasselbe Ergebnis zurückgeben, absolute Deterministik wird jedoch nicht garantiert. Muss eine Ganzzahl zwischen 0 und 2147483647 sein.Wertebereich: [0, 2147483647]
​
diarize
boolean
Standard:false
Ob der aktuelle Sprecher in der hochgeladenen Datei markiert werden soll.
​
file_format
string
Standard:"other"
Eingabe-Audioformat. Möglich sind ‘pcm_s16le_16’ oder ‘other’. pcm_s16le_16 erfordert Audio mit 16 kHz Abtastrate, 16-Bit-Ganzzahl, Mono und Little-Endian-Format und hat im Vergleich zu codierten Wellenformen eine geringere Latenz.Mögliche Werte: pcm_s16le_16, other
​
temperature
number
Steuert die Zufälligkeit der Transkriptionsausgabe. Der Wertebereich liegt bei 0.0 bis 2.0; je höher der Wert, desto vielfältiger und weniger deterministisch sind die Ergebnisse. Wenn ausgelassen, wird die Standardtemperatur des ausgewählten Modells verwendet (normalerweise 0).Wertebereich: [0, 2]
​
num_speakers
integer
Die maximale Anzahl der Sprecher in der hochgeladenen Datei. Kann verwendet werden, um die Sprechertrennung zu unterstützen; unterstützt werden bis zu 32 Sprecher.Wertebereich: [1, 32]
​
language_code
string
Gibt den ISO-639-1- oder ISO-639-3-Sprachcode der Audiodatei an. Eine vorherige Angabe kann die Transkriptionsleistung manchmal verbessern. Standardmäßig null; die Sprache wird automatisch erkannt.
​
tag_audio_events
boolean
Standard:true
Ob Audioereignisse wie (laughter) oder (footsteps) in der Transkription markiert werden sollen.
​
cloud_storage_url
string
erforderlich
HTTPS-Link zur zu transkribierenden Datei. Genau eines von file und cloud_storage_url muss angegeben werden. Die Datei muss über HTTPS erreichbar und kleiner als 2 GB sein. Unterstützt werden alle gültigen HTTPS-Adressen, einschließlich Cloud-Speicher (AWS S3, GCS, Cloudflare R2 usw.), CDN oder andere HTTPS-Quellen sowie vorsignierte Links mit Token oder Authentifizierung über URL-Abfrageparameter.
​
use_multi_channel
boolean
Standard:false
Ob die Audiodatei mehrkanalig ist und jeder Kanal nur einen einzelnen Sprecher enthält. Nach der Aktivierung wird jeder Kanal unabhängig transkribiert und das Ergebnis zusammengeführt; jedes Wort in der Ausgabe enthält ein channel_index-Feld. Unterstützt werden bis zu 5 Kanäle.
​
diarization_threshold
number
Schwellenwert für die Sprechertrennung (diarization). Bei höheren Werten ist die Wahrscheinlichkeit geringer, dass eine Person in mehrere Personen aufgeteilt wird, aber höher, dass verschiedene Personen zu einer Person zusammengeführt werden (weniger erkannte Sprecher); bei niedrigeren Werten steigt die Wahrscheinlichkeit, dass eine Person in mehrere Personen aufgeteilt wird, während die Wahrscheinlichkeit sinkt, dass verschiedene Personen zusammengeführt werden (mehr Sprecher). Kann nur gesetzt werden, wenn diarize=True und num_speakers=None ist. Standardmäßig None; der Schwellenwert wird anhand der Modell-id gewählt (normalerweise 0.22).Wertebereich: [0.1, 0.4]
​
timestamps_granularity
string
Standard:"word"
Granularität der Zeitstempel im Transkriptionsinhalt. ‘word’ stellt Zeitstempel auf Wortebene bereit, ‘character’ stellt Zeitstempel für jedes Zeichen bereit.Mögliche Werte: none, word, character

​
Antwortinformationen

Die Antwort kann einem der folgenden Antworttypen entsprechen:
​
text
string
erforderlich
Der ursprüngliche transkribierte Text.
​
words
array
erforderlich
Liste der Wörter und ihrer Zeitinformationen.
​
channel_index
integer
Der Kanalindex, dem diese Transkription entspricht (gültig bei mehrkanaligem Audio).
​
language_code
string
erforderlich
Der erkannte Sprachcode (z. B. ‘eng’ für Englisch).
​
transcription_id
string
Die eindeutige Transkriptions-ID dieser Antwort.
​
language_probability
number
erforderlich
Konfidenz der Spracherkennung (zwischen 0 und 1).
​
transcripts
array
erforderlich
Liste der Transkriptionen für jeden Audiokanal. Jede Transkription enthält den Text des jeweiligen Kanals sowie detaillierte Informationen auf Wortebene.
​
transcription_id
string
Die eindeutige Transkriptions-ID dieser Antwort.