ElevenLabs STT
Free.ai
·
stt
·
~500 tákn fyrir minute
ElevenLabs STT er a tal- í- texta líkan. Leiðir í gegnum ytri módel - ~500 tákn á mínútu (50% merking yfir uppstreymi kostnaður).
Notaðu í gegnum API
OpenAI-samhæft REST API. Búa til lykil og kalla þetta líkan í sekúndum.
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://..."}'Algengar spurningar
ElevenLabs STT transcribes spoken audio into text. Upload an MP3, WAV, M4A, or video file and ElevenLabs STT returns the full transcript plus optional SRT/VTT subtitles with timestamps.
ElevenLabs STT handles dozens of languages - Whisper-family models cover 90+, others vary. Pick "auto-detect" or specify the language for highest accuracy.
Orðvillahlutfall er 5-10% á hreinu ensku hljóði, 10-20% á háværum eða accented hljóði. Stórar afbrigði af sömu arkitektúr gera merkingarbært betur á erfiðum tilvikum - velja stærri þegar hljóðið er gróft.
Já - hver hluti inniheldur byrjun / lok tímastimpil. Flytja út sem SRT eða VTT og tímakort beint á myndskeiðið þitt.
ElevenLabs STT er hágæða uppskriftarvél. Um ~ 500-1.500 tákn á mínútu af hljóði, sýnt lifandi áður en þú býrð til. Sjálfstætt uppskrift er ókeypis á 30.000 tákn daglega laug þinni; Premium módel eru greiðsla-eins og þú ferð, með topp-ups frá $ 1.
MP3, WAV, M4A, FLAC, OGG, auk myndskeiða (MP4, MOV, WebM) - við tökum út hljóðin. Hámark 500 MB á hverja upphleðslu. Lengri skrár? Skipta með /audio/cut/ eða nota /v1/stt/batch/.
Speaker diarization er sérstakt framhjá - skipta "diarize" á / transcribe /. ElevenLabs STT meðhöndlar uppskrift; diarization merkir hvern hluta með Speaker 1 / Speaker 2 / osfrv.
Já - / batch / tekur við möppu með hljóðskrám. Hver afritunarskrá lendir í / account /? tab=history með upprunalegu skráarheitinu. Til að varðveita möpputré notaðu API.
Já - POST hljóðið þitt til /v1/stt/transcribe/ með model="ElevenLabs STT". Skila JSON með texta + hlutum + orð-stig tímastimpil. /api/ hefur fulla tilvísun.
Self-hosted módel halda hljóð á GPU okkar; Premium fara í gegnum með DPA. Hljóð er eytt eftir hluta gluggann (24h anon, 7d skráður-í). Við þjálfum ekki á inntak þitt.
Þú þarft að hafa réttindi á hljóðinu sem þú hlaðir upp (eigin upptöku, efni með leyfi eða efni með samþykki) til að geta notað afritunarþjónustu Free.ai í viðskiptalegum tilgangi.
Rauntímaþátturinn er um það bil 0,05-0,2 × - 60 mínútna podcast afrita á 3-12 mínútum. Premium módel klárast oft hraðar. Notaðu biðröð hnappinn til að loka flipanum.