ElevenLabs STT
Free.ai
·
stt
·
~500 โทเค็นต่อ minute
ElevenLabs STT คือ a โมเดลการแปลงเสียงเป็นข้อความ ส่งผ่านโมเดลภายนอก ประมาณ 500 โทเค็น ต่อนาที (บวกเพิ่ม 50% จากต้นทุนต้นทาง)
ใช้ผ่าน API
REST API รองรับ OpenAI สร้างกุญแจและเรียกโมเดลนี้ในไม่กี่วินาที
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://..."}'คำถามที่ถามบ่อย
ElevenLabs STT ถอดเสียงพูดเป็นข้อความ อัปโหลดไฟล์ MP3, WAV, M4A หรือไฟล์วิดีโอ แล้ว ElevenLabs STT จะส่งข้อความถอดเสียงฉบับเต็มกลับมา พร้อมคำบรรยาย SRT/VTT แบบมีเวลากำกับหากต้องการ
ElevenLabs STT รองรับหลายสิบภาษา โมเดลตระกูล Whisper รองรับ 90+ ภาษา ส่วนโมเดลอื่นแตกต่างกันไป เลือก "auto-detect" หรือระบุภาษาเพื่อความแม่นยำสูงสุด
อัตราคำผิดพลาดอยู่ที่ 5-10% กับเสียงภาษาอังกฤษที่ชัดเจน และ 10-20% กับเสียงที่มีเสียงรบกวนหรือสำเนียงเฉพาะ รุ่นขนาดใหญ่ของสถาปัตยกรรมเดียวกันทำได้ดีกว่ามากในกรณียาก เลือกรุ่นใหญ่เมื่อเสียงคุณภาพไม่ดี
มี ทุกช่วงมีเวลาเริ่มและเวลาสิ้นสุด ส่งออกเป็น SRT หรือ VTT แล้วเวลาจะตรงกับวิดีโอของคุณได้ทันที
ElevenLabs STT เป็นเอนจินถอดเสียงระดับพรีเมียม ประมาณ 500-1,500 โทเค็นต่อนาทีของเสียง โดยแสดงให้เห็นสดก่อนที่คุณจะสร้าง การถอดเสียงด้วยโมเดลที่โฮสต์เองใช้ฟรีจากโควตารายวัน 30,000 โทเค็นของคุณ ส่วนโมเดลพรีเมียมจ่ายตามการใช้งาน โดยเติมเงินได้ตั้งแต่ $1
MP3, WAV, M4A, FLAC, OGG รวมถึงวิดีโอ (MP4, MOV, WebM) ซึ่งเราจะแยกเสียงออกมาให้ สูงสุด 500 MB ต่อการอัปโหลด ไฟล์ยาวกว่านั้น ให้แบ่งด้วย /audio/cut/ หรือใช้ /v1/stt/batch/
การแยกผู้พูด (diarization) เป็นขั้นตอนแยกต่างหาก เปิดตัวเลือก "diarize" ที่ /transcribe/ ElevenLabs STT ทำหน้าที่ถอดเสียง ส่วนการแยกผู้พูดจะติดป้ายแต่ละช่วงว่า Speaker 1 / Speaker 2 เป็นต้น
ได้ /batch/ รับโฟลเดอร์ไฟล์เสียงได้ ข้อความถอดเสียงแต่ละไฟล์จะอยู่ใน /account/?tab=history พร้อมชื่อไฟล์ต้นฉบับ หากต้องการคงโครงสร้างโฟลเดอร์ ให้ใช้ API
ได้ ส่งเสียงของคุณด้วย POST ไปที่ /v1/stt/transcribe/ พร้อม model="ElevenLabs STT" ระบบจะส่งคืน JSON ที่มีข้อความ ช่วงข้อความ และเวลากำกับระดับคำ ดูเอกสารอ้างอิงฉบับเต็มที่ /api/
โมเดลที่โฮสต์เองเก็บเสียงไว้บน GPU ของเรา ส่วนโมเดลพรีเมียมส่งต่อภายใต้ข้อตกลงประมวลผลข้อมูล (DPA) เสียงจะถูกลบหลังพ้นช่วงเวลาแชร์ (24 ชั่วโมงสำหรับผู้ใช้ไม่ล็อกอิน 7 วันสำหรับผู้ใช้ที่ล็อกอิน) เราไม่ใช้ข้อมูลที่คุณป้อนเพื่อเทรนโมเดล
ได้ Free.ai อนุญาตให้ใช้ข้อความถอดเสียงเชิงพาณิชย์ แต่คุณต้องมีสิทธิ์ในเสียงที่อัปโหลด (การบันทึกเสียงของคุณเอง เนื้อหาที่มีลิขสิทธิ์ถูกต้อง หรือเนื้อหาที่ได้รับความยินยอม)
อัตราส่วนเวลาจริงอยู่ที่ราว 0.05-0.2× พอดแคสต์ยาว 60 นาทีถอดเสียงเสร็จใน 3-12 นาที โมเดลพรีเมียมมักเสร็จเร็วกว่า ใช้ปุ่มคิวเพื่อปิดแท็บได้