ElevenLabs STT
Free.ai
·
stt
·
~500 tokens por minute
ElevenLabs STT é a modelo de voz a texto. Enrutado a través de modelos externos - ~500 tokens por minuto (50% de markup sobre o custo ascendente).
Usar a API
API REST compatíbel con OpenAI. Xere unha chave e chame a este modelo en segundos.
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://..."}'Preguntas frecuentes
ElevenLabs STT transcribe a fala do audio a texto. Sube un ficheiro MP3, WAV, M4A ou de vídeo e ElevenLabs STT devolve a transcrición completa e, se queres, subtítulos SRT/VTT con marcas de tempo.
ElevenLabs STT xestiona ducias de linguas - os modelos da familia Whisper cobren 90+ outros varían. Escolla « auto- detección » ou especifique a lingua para a maior precisión.
A taxa de erros por palabra é do 5-10% con audio en inglés limpo e do 10-20% con audio ruidoso ou con acento. As variantes grandes da mesma arquitectura funcionan claramente mellor nos casos difíciles: escolle unha maior cando o audio sexa complicado.
Si, cada segmento inclúe marcas de tempo de inicio e fin. Expórtao como SRT ou VTT e os tempos axústanse directamente ao teu vídeo.
ElevenLabs STT é un motor de transcrición premium. Uns ~500-1,500 tokens por minuto de audio, que se mostran en directo antes de xerar. A transcrición autoaloxada é gratis co teu pool diario de 30,000 tokens; os modelos premium son de pago por uso, con recargas desde $1.
MP3, WAV, M4A, FLAC, OGG, ademais de vídeo (MP4, MOV, WebM), do que extraemos o audio. Máximo 500 MB por subida. Ficheiros máis longos? Divídeos con /audio/cut/ ou usa /v1/stt/batch/.
A diarización de falantes é un paso á parte: activa “diarize” en /transcribe/. ElevenLabs STT encárgase da transcrición; a diarización etiqueta cada segmento como Speaker 1 / Speaker 2 / etc.
Si, /batch/ acepta un cartafol de ficheiros de audio. Cada transcrición aparece en /account/?tab=history co nome de ficheiro orixinal. Para conservar a estrutura de cartafoles usa a API.
Si, envía o teu audio por POST a /v1/stt/transcribe/ con model="ElevenLabs STT". Devolve JSON con texto, segmentos e marcas de tempo por palabra. En /api/ tes a referencia completa.
Os modelos autoaloxados manteñen o audio nas nosas GPU; os premium pasan o audio cun DPA. O audio elimínase despois do prazo de compartición (24 h en modo anónimo, 7 d con sesión iniciada). Non adestramos cos teus ficheiros.
Si, Free.ai concede o uso comercial das transcricións. Necesitas ter dereitos sobre o audio que subiches (a túa propia gravación, material con licenza ou contido con consentimento).
O factor de tempo real é aproximadamente de 0.05-0.2×: un podcast de 60 minutos transcríbese en 3-12 minutos. Os modelos premium adoitan acabar máis rápido. Usa o botón da cola para poder pechar a pestana.