ElevenLabs Преобразование речи в текст V1
Аудио
ElevenLabs Преобразование речи в текст V1
POST
ElevenLabs Преобразование речи в текст V1
Транскрибирует аудио- или видеофайлы. Когда use_multi_channel имеет значение true и загруженное аудио содержит несколько каналов, возвращается объект ‘transcripts’ — по одной транскрипции для каждого канала. В противном случае возвращается один результат транскрипции.
Заголовки запроса
string
обязательно
Значения перечисления:
application/jsonstring
обязательно
Формат Bearer-аутентификации: Bearer {{API 密钥}}.
Тело запроса
integer
Если указано, система по возможности будет выполнять выборку детерминированным образом; запросы с одинаковыми seed и параметрами должны возвращать одинаковые результаты, но абсолютная детерминированность не гарантируется. Должно быть целым числом от 0 до 2147483647.Диапазон значений: [0, 2147483647]
boolean
по умолчанию:false
Нужно ли помечать текущего говорящего в загруженном файле.
string
по умолчанию:"other"
Формат входного аудио. Возможные значения: ‘pcm_s16le_16’ или ‘other’. pcm_s16le_16 требует, чтобы аудио было с частотой дискретизации 16kHz, 16-битным целочисленным, моно, в формате little-endian; по сравнению с кодированным waveform задержка ниже.Возможные значения:
pcm_s16le_16, othernumber
Управляет случайностью вывода транскрипции. Диапазон значений — от 0.0 до 2.0; чем выше значение, тем более разнообразными и менее определенными будут результаты. Если параметр опущен, будет использована температура по умолчанию для выбранной модели (обычно 0).Диапазон значений: [0, 2]
integer
Максимальное количество говорящих в загруженном файле. Может использоваться для помощи в различении говорящих; поддерживается до 32 говорящих.Диапазон значений: [1, 32]
string
Указывает код языка аудиофайла по ISO-639-1 или ISO-639-3. Предварительное указание иногда может повысить качество транскрипции. По умолчанию null; язык будет определен автоматически.
boolean
по умолчанию:true
Нужно ли помечать в транскрипции аудиособытия, такие как(laughter)(footsteps).
string
обязательно
HTTPS-ссылка на файл для транскрипции. Необходимо указать либо file, либо cloud_storage_url. Файл должен быть доступен по HTTPS и иметь размер менее 2GB; поддерживается любой допустимый HTTPS-адрес, включая облачные хранилища (AWS S3、GCS、Cloudflare R2 и т. д.), CDN или другие HTTPS-источники, а также предварительно подписанные ссылки с token или аутентификацией через URL-параметры запроса.
boolean
по умолчанию:false
Является ли аудиофайл многоканальным, причем каждый канал содержит только одного говорящего. При включении каждый канал транскрибируется отдельно, а результаты объединяются; каждое слово в выходном содержимом содержит поле channel_index. Поддерживается до 5 каналов.
number
Порог диаризации говорящих (diarization). При более высоком значении вероятность разделения одного человека на нескольких ниже, но вероятность объединения разных людей в одного выше (выявляется меньше говорящих); при более низком значении вероятность разделения одного человека на нескольких выше, но вероятность объединения разных людей в одного ниже (говорящих больше). Можно задать только когда diarize=True и num_speakers=None. По умолчанию None; порог выбирается на основе id модели (обычно 0.22).Диапазон значений: [0.1, 0.4]
string
по умолчанию:"word"
Детализация временных меток в транскрипции. ‘word’ предоставляет временные метки на уровне слов, ‘character’ — временные метки для каждого символа.Возможные значения:
none, word, characterИнформация об ответе
Ответ может быть одним из следующих типов:
Тип ответа 1
Тип ответа 1
string
обязательно
Исходный текст транскрипции.
object[]
обязательно
Список слов и соответствующей временной информации.
integer
Индекс канала, соответствующий этой транскрипции (действительно для многоканального аудио).
string
обязательно
Обнаруженный код языка (например, ‘eng’ означает английский).
string
Уникальный ID транскрипции для этого ответа.
number
обязательно
Уверенность определения языка (от 0 до 1).