ElevenLabs STT
Free.ai
·
stt
·
~500 প্রতি minute
ElevenLabs STT is a বাক্যের- থেকে- টেক্সট মডেল. - আমি জানি না। বাইরের মডেলগুলোর মাধ্যমে পথ নির্ধারণ করা হয়েছে - ~500 টোকেন % 1 সেকেন্ড (আপস্ট্রিম খরচের উপর ৫০% মার্কআপ)।
API ব্যবহার করো
OpenAI-সমর্থিত REST API। একটি কী তৈরি করুন এবং সেকেন্ডের মধ্যে এই মডেলটি কল করুন।
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://..."}'প্রায়শ জিজ্ঞাসিত প্রশ্ন
ElevenLabs STT কথা বলা অডিওকে টেক্সটে রূপান্তর করে। একটি MP3, WAV, M4A বা ভিডিও ফাইল আপলোড করুন, আর ElevenLabs STT পূর্ণ ট্রান্সক্রিপ্ট দেবে, সঙ্গে চাইলে টাইমস্ট্যাম্পসহ SRT/VTT সাবটাইটেলও।
ElevenLabs STT কয়েক ডজন ভাষা সামলাতে পারে: Whisper-পরিবারের মডেল 90+ ভাষা কভার করে, অন্যগুলো ভিন্ন ভিন্ন। সবচেয়ে নির্ভুল ফলের জন্য "auto-detect" বেছে নিন অথবা ভাষা নিজে নির্দিষ্ট করে দিন।
পরিষ্কার ইংরেজি অডিওতে শব্দ-ত্রুটির হার (word-error rate) 5-10%, আর কোলাহলপূর্ণ বা উচ্চারণে ভিন্নতা থাকা অডিওতে 10-20%। একই আর্কিটেকচারের বড় ভ্যারিয়েন্টগুলো কঠিন ক্ষেত্রে উল্লেখযোগ্যভাবে ভালো করে, তাই অডিও খারাপ হলে বড়টি বেছে নিন।
হ্যাঁ। প্রতিটি সেগমেন্টে শুরু ও শেষের টাইমস্ট্যাম্প থাকে। SRT বা VTT হিসেবে এক্সপোর্ট করলে সময়গুলো সরাসরি আপনার ভিডিওর সঙ্গে মিলে যায়।
ElevenLabs STT একটি প্রিমিয়াম ট্রান্সক্রিপশন ইঞ্জিন। প্রতি মিনিট অডিওর জন্য প্রায় ~500-1,500 টোকেন লাগে, যা জেনারেট করার আগেই লাইভ দেখানো হয়। সেলফ-হোস্টেড ট্রান্সক্রিপশন আপনার 30,000 টোকেনের দৈনিক পুল থেকে বিনামূল্যে চলে; প্রিমিয়াম মডেলে যতটুকু ব্যবহার করবেন ততটুকুরই দাম দিতে হয়, টপ-আপ শুরু $1 থেকে।
MP3, WAV, M4A, FLAC, OGG, এবং ভিডিও (MP4, MOV, WebM), ভিডিও থেকে আমরা অডিও বের করে নিই। প্রতি আপলোডে সর্বোচ্চ 500 MB। ফাইল আরও বড়? /audio/cut/ দিয়ে ভাগ করুন অথবা /v1/stt/batch/ ব্যবহার করুন।
স্পিকার ডায়ারাইজেশন একটি আলাদা ধাপ: /transcribe/-এ "diarize" চালু করুন। ট্রান্সক্রিপশনের কাজ ElevenLabs STT করে; ডায়ারাইজেশন প্রতিটি সেগমেন্টে Speaker 1 / Speaker 2 ইত্যাদি লেবেল বসায়।
হ্যাঁ। /batch/ অডিও ফাইলের একটি ফোল্ডার গ্রহণ করে। প্রতিটি ট্রান্সক্রিপ্ট মূল ফাইলের নামসহ /account/?tab=history-তে জমা হয়। ফোল্ডারের গাছ-কাঠামো অক্ষুণ্ণ রাখতে চাইলে API ব্যবহার করুন।
হ্যাঁ। আপনার অডিও model="ElevenLabs STT" দিয়ে /v1/stt/transcribe/-এ POST করুন। ফলাফল JSON আকারে আসে, তাতে থাকে text, segments এবং শব্দ-পর্যায়ের টাইমস্ট্যাম্প। সম্পূর্ণ রেফারেন্স আছে /api/-তে।
সেলফ-হোস্টেড মডেলে অডিও আমাদের নিজস্ব GPU-তেই থাকে; প্রিমিয়াম মডেলে DPA-সহ অডিও পাঠানো হয়। শেয়ার-সময়ের পর অডিও মুছে ফেলা হয় (নামহীন ব্যবহারকারীর জন্য 24 ঘণ্টা, সাইন-ইন করা ব্যবহারকারীর জন্য 7 দিন)। আমরা আপনার ইনপুট দিয়ে কোনো মডেল ট্রেন করি না।
হ্যাঁ। Free.ai ট্রান্সক্রিপ্টের বাণিজ্যিক ব্যবহারের অনুমতি দেয়। তবে আপনি যে অডিও আপলোড করেছেন তার অধিকার আপনার থাকতে হবে (আপনার নিজের রেকর্ডিং, লাইসেন্স করা উপাদান, অথবা সম্মতি নেওয়া কনটেন্ট)।
রিয়েল-টাইম ফ্যাক্টর মোটামুটি 0.05-0.2×, অর্থাৎ 60 মিনিটের একটি পডকাস্ট ট্রান্সক্রাইব হতে 3-12 মিনিট লাগে। প্রিমিয়াম মডেল প্রায়ই আরও দ্রুত শেষ করে। ট্যাব বন্ধ করে দিতে চাইলে কিউ বোতামটি ব্যবহার করুন।