ElevenLabs voz a texto V1
Audio
ElevenLabs voz a texto V1
POST
ElevenLabs voz a texto V1
Transcribe archivos de audio o video. Cuando use_multi_channel es true y el audio cargado tiene varios canales, devuelve un objeto ‘transcripts’, con una transcripción por canal. De lo contrario, devuelve un único resultado de transcripción.
Encabezados de solicitud
string
requerido
Valores de enumeración:
application/jsonstring
requerido
Formato de autenticación Bearer: Bearer {{API Key}}.
Cuerpo de la solicitud
integer
Si se especifica, el sistema hará todo lo posible por muestrear de forma determinista; las solicitudes con el mismo seed y los mismos parámetros deberían devolver el mismo resultado, pero no se garantiza un determinismo absoluto. Debe ser un entero entre 0 y 2147483647.Rango de valores: [0, 2147483647]
boolean
predeterminado:false
Indica si se debe etiquetar al hablante actual en el archivo cargado.
string
predeterminado:"other"
Formato de audio de entrada. Puede ser ‘pcm_s16le_16’ u ‘other’. pcm_s16le_16 requiere que el audio tenga una frecuencia de muestreo de 16kHz, enteros de 16 bits, mono y formato little-endian; ofrece menor latencia que una forma de onda codificada.Valores posibles:
pcm_s16le_16, othernumber
Controla la aleatoriedad de la salida de transcripción. El rango de valores es de 0.0 a 2.0; los valores más altos producen resultados más variados y menos deterministas. Si se omite, se utilizará la temperatura predeterminada del modelo seleccionado (normalmente 0).Rango de valores: [0, 2]
integer
Número máximo de hablantes en el archivo cargado. Puede utilizarse para ayudar a distinguir hablantes; admite hasta 32 hablantes.Rango de valores: [1, 32]
string
Especifica el código de idioma ISO-639-1 o ISO-639-3 del archivo de audio. Indicarlo de antemano a veces puede mejorar el rendimiento de la transcripción. El valor predeterminado es null, y el idioma se detectará automáticamente.
boolean
predeterminado:true
Indica si se deben etiquetar en la transcripción eventos de audio como (laughter) o (footsteps).
string
requerido
Enlace HTTPS del archivo que se va a transcribir. Debe proporcionarse file o cloud_storage_url. El archivo debe ser accesible mediante HTTPS y tener menos de 2GB; se admite cualquier dirección HTTPS válida, incluido almacenamiento en la nube (AWS S3, GCS, Cloudflare R2, etc.), CDN u otros orígenes HTTPS, así como enlaces prefirmados con token o autenticación mediante parámetros de consulta de URL.
boolean
predeterminado:false
Indica si el archivo de audio es multicanal y cada canal contiene solo un hablante. Al habilitarlo, se transcribe cada canal de forma independiente y se combinan los resultados; cada palabra de la salida incluye el campo channel_index, con soporte para hasta 5 canales.
number
Umbral de diarización de hablantes. Con un valor alto, disminuye la probabilidad de dividir a una persona en varias, pero aumenta la probabilidad de combinar a distintas personas en una sola (se identifican menos hablantes); con un valor bajo, aumenta la probabilidad de dividir a una persona en varias, pero disminuye la probabilidad de combinar a distintas personas en una sola (más hablantes). Solo se puede establecer cuando diarize=True y num_speakers=None. El valor predeterminado es None, y el umbral se seleccionará según el id del modelo (normalmente 0.22).Rango de valores: [0.1, 0.4]
string
predeterminado:"word"
Granularidad de las marcas de tiempo en el contenido transcrito. ‘word’ proporciona marcas de tiempo a nivel de palabra, y ‘character’ proporciona marcas de tiempo para cada carácter.Valores posibles:
none, word, characterInformación de respuesta
La respuesta puede ser uno de los siguientes tipos de respuesta:
Tipo de respuesta 1
Tipo de respuesta 1
string
requerido
Texto original de la transcripción.
object[]
requerido
Lista de palabras y su información temporal.
integer
Índice del canal correspondiente a esta transcripción (válido para audio multicanal).
string
requerido
Código de idioma detectado (por ejemplo, ‘eng’ para inglés).
string
ID único de transcripción de esta respuesta.
number
requerido
Confianza de la detección de idioma (entre 0 y 1).