ElevenLabs преобразование речи в текст V2
Аудио
ElevenLabs преобразование речи в текст V2
POST
ElevenLabs преобразование речи в текст V2
Транскрибирует аудио- или видеофайлы. Когда use_multi_channel равно true и загруженный аудиофайл содержит несколько каналов, возвращается объект ‘transcripts’ — по одной транскрипции на каждый канал. В остальных случаях возвращается единый результат транскрипции.
Заголовки запроса
string
обязательно
Перечисляемое значение:
application/jsonstring
обязательно
Формат Bearer-аутентификации: Bearer {{API 密钥}}.
Тело запроса
integer
Если указано, система постарается выполнять выборку детерминированным образом: запросы с одинаковыми seed и параметрами должны возвращать одинаковые результаты, однако 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 имело частоту дискретизации 16kHz, 16-битный целочисленный формат, один канал и порядок байтов little-endian; по сравнению с кодированной волновой формой 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 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 в формате 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) и т. п.
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. Поддерживаются любые допустимые HTTPS-адреса, включая облачные хранилища (AWS S3, GCS, Cloudflare R2 и т. д.), CDN или другие HTTPS-источники; поддерживаются предварительно подписанные ссылки с token или аутентификация через параметры запроса URL.
boolean
по умолчанию:false
Является ли аудиофайл многоканальным, при этом каждый канал содержит только одного говорящего. После включения каждый канал будет транскрибирован независимо, а результаты будут объединены; каждое слово в выходном содержимом будет содержать поле channel_index. Поддерживается до 5 каналов.
number
Порог разделения говорящих (diarization). При большом значении вероятность того, что один человек будет разделен на нескольких, ниже, но вероятность объединения разных людей в одного выше (будет выявлено меньше говорящих); при малом значении вероятность разделения одного человека на нескольких выше, но вероятность объединения разных людей в одного ниже (говорящих будет больше). Можно задавать только когда diarize=True и num_speakers=None. По умолчанию None; порог выбирается на основе model id (обычно 0.22).Диапазон значений: [0.1, 0.4]
string
по умолчанию:"word"
Гранулярность временных меток в транскрибированном содержимом. ‘word’ предоставляет временные метки на уровне слов, ‘character’ предоставляет 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 связанной с ними временной информации.
integer
Индекс канала, соответствующий этой транскрипции (актуально 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).