ElevenLabs STT
Free.ai
·
stt
·
~500 Prometium minute
ElevenLabs STT is a spraak- tot- teks model. Routed through external models - ~500 tokens per minuut (50% markup over upstream cost).
Gebruik via API
OpenAI- versoenbaar met REST API. Genereer 'n sleutel en noem hierdie model in sekondes.
curl -X POST https://api.free.ai/v1/stt/ \
-H "Authorization: Bearer sk-free-..." \
-H "Content-Type: application/json" \
-d '{"model":"premium/elevenlabs/speech-to-text","audio_url":"https://..."}'Vrae wat dikwels gevra word
ElevenLabs STT transkribeer gesproke oudio na teks. Laai 'n MP3-, WAV-, M4A- of videolêer op en ElevenLabs STT gee die volledige transkripsie terug, plus opsionele SRT/VTT-onderskrifte met tydstempels.
ElevenLabs STT hanteer dosyne tale - Whisper-familiemodelle dek 90+, ander wissel. Kies "auto-detect" of spesifiseer die taal vir die hoogste akkuraatheid.
Die woordfoutkoers is 5-10% op skoon Engelse oudio en 10-20% op raserige of geaksenteerde oudio. Groot variante van dieselfde argitektuur vaar merkbaar beter in moeilike gevalle - kies 'n groter een wanneer die oudio swak is.
Ja - elke segment bevat begin- en eindtydstempels. Voer uit as SRT of VTT en die tye pas reguit op jou video.
ElevenLabs STT is 'n premium-transkripsie-enjin. Ongeveer ~500-1,500 tokens per minuut oudio, regstreeks gewys voordat jy genereer. Self-gehoste transkripsie loop gratis op jou daaglikse poel van 30,000 tokens; premium-modelle is betaal-soos-jy-gebruik, met aanvullings vanaf $1.
MP3, WAV, M4A, FLAC, OGG, plus video (MP4, MOV, WebM) - ons onttrek die oudio. Maksimum 500 MB per oplaai. Langer lêers? Verdeel dit met /audio/cut/ of gebruik /v1/stt/batch/.
Sprekerdiarisering is 'n aparte stap - skakel "diarize" aan by /transcribe/. ElevenLabs STT hanteer die transkripsie; diarisering merk elke segment met Speaker 1 / Speaker 2 / ens.
Ja - /batch/ neem 'n gids oudiolêers aan. Elke transkripsie beland in /account/?tab=history met die oorspronklike lêernaam. Gebruik die API om die gidsstruktuur te behou.
Ja - POST jou oudio na /v1/stt/transcribe/ met model="ElevenLabs STT". Gee JSON terug met teks + segmente + tydstempels op woordvlak. /api/ het die volledige verwysing.
Self-gehoste modelle hou oudio op ons eie GPU's; premium-modelle gaan deur met 'n DPA. Oudio word uitgevee ná die deelvenster (24 uur anoniem, 7 dae aangemeld). Ons leer nie ons modelle met jou insette nie.
Ja - Free.ai gee kommersiële gebruiksreg op transkripsies. Jy moet die regte hê op die oudio wat jy opgelaai het (jou eie opname, gelisensieerde materiaal, of inhoud met toestemming).
Die intydse faktor is ongeveer 0.05-0.2× - 'n 60-minuut-potgooi word in 3-12 minute getranskribeer. Premium-modelle is dikwels vinniger klaar. Gebruik die tou-knoppie om die oortjie toe te maak.