ElevenLabs STT
Free.ai
·
stt
·
~500 token/s minute
ElevenLabs STT a hizketa-testu modeloa da. Kanpoko ereduen bidez bideratua - ~500 tokens minutuko (% 50 markup gainontzeko kostua).
Erabili API bidez
OpenAI-rekin bateragarria den REST APIa. Sortu gako bat eta deitu eredu honi segundotan.
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://..."}'Maiz egiten diren galderak
ElevenLabs STT-ek ahozko audioa testu bihurtzen du. Igo MP3, WAV, M4A edo bideo-fitxategia eta ElevenLabs STT-ek transkribapen osoa itzuliko du, baita aukerako SRT/VTT azpitituluak ere, denbora-zigiluekin.
ElevenLabs STT handles dozens of languages - Whisper-family models cover 90+, others vary. Pick "auto-detect" or specify the language for highest accuracy.
Hitz-errore-tasa %5-10 da ingeles garbiko audioan, %10-20 zaratatsu edo azentudun audioan. Arkitektura bereko aldaera handiek hobeto funtzionatzen dute kasu gogorretan - hautatu handiagoa audioa gogorra denean.
Bai - segmentu bakoitzak hasierako/amaierako ordu-zigilua du. Esportatu SRT edo VTT gisa eta denborak zuzenean bideoan mapatuko dira.
ElevenLabs STT transkribapen-motor premium bat da. Audio-minutu bakoitzeko ~500-1.500 token inguru, zuzenean erakutsita sortu aurretik. Transkribapen autohostatua doan exekutatzen da zure eguneroko 30.000 token-poolean; premium modeloak erabiltzean ordaintzen dira, $1-tik gorako gehikuntzak eginez.
MP3, WAV, M4A, FLAC, OGG, eta bideoa (MP4, MOV, WebM) - audioa erauzten dugu. Gehienez 500 MB igoera bakoitzeko. Fitxategi luzeagoak? Zatitu /audio/cut/ erabiliz edo erabili /v1/stt/batch/.
Hizlariaren diarizazioa pasabide bereizi bat da - "diarize" /transcribe/-n aldatzen da. ElevenLabs STT-k transkribapena kudeatzen du; diarizazioak segmentu bakoitza 1. hiztuna / 2. hiztuna / etab. etiketekin etiketatzen du.
Bai - /batch/-ek audio-fitxategien karpeta bat onartzen du. Transkriptu bakoitza /account/?tab=history-n jartzen da jatorrizko fitxategi-izena erabiliz. Karpeta-zuhaitza gordetzeko, erabili APIa.
Bai - POST audioa /v1/stt/transcribe/-ra model="ElevenLabs STT"-rekin. JSON itzultzen du testua + segmentuak + hitz-mailako data-markak. /api/-k erreferentzia osoa du.
Auto-ostatutako modeloek audioa gure GPUetan mantentzen dute; premium-ek DPA bidez pasatzen dute. Audioa partekatze-leihoaren ondoren ezabatu egiten da (24 ordu anonimoki, 7 egun saioa hastean). Ez dugu zure sarrerak entrenatzen.
Bai - Free.ai-ek transkribapenen erabilera komertziala onartzen du. Igotako audioaren eskubideak behar dituzu (zure grabazioa, lizentziadun materiala edo baimenarekin edukia).
Denbora errealeko faktorea 0,05-0,2× da gutxi gorabehera - 60 minutuko podcast bat 3-12 minututan transkribatzen da. Premium modeloek askotan azkarrago amaitzen dute. Erabili ilara botoia fitxa ixteko.