ElevenLabs Speech-to-Text V1
Áudio
ElevenLabs Speech-to-Text V1
POST
ElevenLabs Speech-to-Text V1
Transcreve arquivos de áudio ou vídeo. Quando use_multi_channel for true e o áudio enviado tiver vários canais, retorna um objeto ‘transcripts’, com uma transcrição por canal. Caso contrário, retorna um único resultado de transcrição.
Cabeçalhos da solicitação
string
obrigatório
Valores enumerados:
application/jsonstring
obrigatório
Formato de autenticação Bearer: Bearer {{API Key}}.
Corpo da solicitação
integer
Se especificado, o sistema fará o possível para amostrar de forma determinística; solicitações com o mesmo seed e os mesmos parâmetros devem retornar o mesmo resultado, mas a determinismo absoluto não é garantido. Deve ser um inteiro entre 0 e 2147483647.Intervalo de valores: [0, 2147483647]
boolean
padrão:false
Indica se deve rotular o falante atual no arquivo enviado.
string
padrão:"other"
Formato do áudio de entrada. Pode ser ‘pcm_s16le_16’ ou ‘other’. pcm_s16le_16 exige que o áudio esteja em taxa de amostragem de 16 kHz, inteiro de 16 bits, mono e little-endian, com menor latência em comparação a formas de onda codificadas.Valores possíveis:
pcm_s16le_16, othernumber
Controla a aleatoriedade da saída da transcrição. O intervalo é de 0.0 a 2.0; valores mais altos tornam os resultados mais variados e menos determinísticos. Se omitido, será usada a temperatura padrão do modelo selecionado (geralmente 0).Intervalo de valores: [0, 2]
integer
Número máximo de falantes no arquivo enviado. Pode ser usado para auxiliar na diferenciação dos falantes, com suporte a até 32 falantes.Intervalo de valores: [1, 32]
string
Especifica o código de idioma ISO-639-1 ou ISO-639-3 do arquivo de áudio. Informar antecipadamente às vezes pode melhorar o desempenho da transcrição. O padrão é null, e o idioma será detectado automaticamente.
boolean
padrão:true
Indica se eventos de áudio, como (laughter) e (footsteps), devem ser marcados na transcrição.
string
obrigatório
Link HTTPS do arquivo a ser transcrito. file e cloud_storage_url são mutuamente exclusivos; um dos dois deve ser fornecido. O arquivo deve ser acessível via HTTPS e ter menos de 2 GB. Qualquer endereço HTTPS válido é compatível, incluindo armazenamento em nuvem (AWS S3, GCS, Cloudflare R2 etc.), CDN ou outras origens HTTPS, com suporte a links pré-assinados com token ou autenticação por parâmetros de consulta na URL.
boolean
padrão:false
Indica se o arquivo de áudio é multicanal e se cada canal contém apenas um único falante. Quando ativado, cada canal será transcrito de forma independente e os resultados serão combinados; cada palavra no conteúdo de saída incluirá o campo channel_index. Suporta até 5 canais.
number
Limiar de diarização. Com valores maiores, é menor a probabilidade de uma pessoa ser dividida em várias, mas maior a probabilidade de pessoas diferentes serem mescladas em uma só (menos falantes identificados); com valores menores, aumenta a probabilidade de uma pessoa ser dividida em várias, mas diminui a probabilidade de pessoas diferentes serem mescladas em uma só (mais falantes). Só pode ser definido quando diarize=True e num_speakers=None. O padrão é None, e o limiar será escolhido com base no id do modelo (geralmente 0.22).Intervalo de valores: [0.1, 0.4]
string
padrão:"word"
Granularidade dos timestamps no conteúdo da transcrição. ‘word’ fornece timestamps em nível de palavra, enquanto ‘character’ fornece timestamps para cada caractere.Valores possíveis:
none, word, characterInformações da resposta
A resposta pode ser um dos seguintes tipos:
Tipo de resposta 1
Tipo de resposta 1
string
obrigatório
Texto bruto transcrito.
object[]
obrigatório
Lista de palavras e suas informações de tempo.
integer
Índice do canal correspondente a esta transcrição (válido para áudio multicanal).
string
obrigatório
Código do idioma detectado (por exemplo, ‘eng’ para inglês).
string
ID único da transcrição desta resposta.
number
obrigatório
Confiança da detecção de idioma (entre 0 e 1).