ElevenLabs STT
Free.ai
·
stt
·
~500 Бер буш урынга minute
ElevenLabs STT is a сүздән-матнга модель. Routed through external models - ~500 tokens минутына (50% markup over upstream cost).
API аша куллану
OpenAI-га туры килгән REST API. Ключны булдырыгыз һәм бу модельне секундлар эчендә чакырыгыз.
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://..."}'Кайвакыт сорала торган сораулар
ElevenLabs STT сөйләнгән аудионы текстка тәрҗемә итә. MP3, WAV, M4A яки видеофайлны куегыз һәм ElevenLabs STT вакыт билгесе белән өстәмә SRT/VTT субтитрлары белән тулы тәрҗемәне кайтара.
ElevenLabs STT handles dozens of languages - Whisper-family models cover 90+, others vary. Pick "auto-detect" or specify the language for highest accuracy.
Сүз хаталары дәрәҗәсе чиста инглиз телендә 5-10%, 10-20% тавышлы яки акцентлы аудиода. Шул ук архитектураның зур вариантлары авыр очракларда яхшырак эшли - аудио катлаулы булса зурракны сайлагыз.
Әйе - һәр сегмент башлану/азалу вакыты билгеләрен кертә. SRT яки VTT итеп экспортлау һәм вакытны видеога турыдан-туры күчерү.
ElevenLabs STT - премиум транскрипция моторы. Минутына ~500-1500 аудио иконкасы, сезне барлыкка китерер алдыннан күрсәтелә. Үз-үзен тотучы транскрипция сезнең көн саен 30 000 иконка бассейнында бушлай эшли; премиум модельләр куллану буенча түләнә, $1-дан артыкка кадәр өстәмә түләү белән.
MP3, WAV, M4A, FLAC, OGG, һәм видео (MP4, MOV, WebM) - аудионы чыгарабыз. Бер йөкләү өчен максималь 500 МБ. Озынрак файллар? /audio/cut/ белән аерыгыз яки /v1/stt/batch/ кулланыгыз.
Speaker diarization is a separate pass - toggle "diarize" on /transcribe/. ElevenLabs STT handles the transcription; diarization labels each segment with Speaker 1 / Speaker 2 / etc.
Әйе - /batch/ аудио файллар каталогын кабул итә. Һәрбер транскрипция /account/?tab=history каталогына оригиналь файл исеме белән урнаштырыла. Бульвар-куакны саклау өчен API кулланыгыз.
Yes - POST your audio to /v1/stt/transcribe/ with model="ElevenLabs STT". Returns JSON with text + segments + word-level timestamps. /api/ has the full reference.
Үз-үзен тоту моделләре аудионы безнең графік процессорларда саклый; премиум DPA белән үтә. Аудио бүлешү тәрәзәсе тәмамланганнан соң юкка чыгарыла (24 сәгатьтән соң, 7 көнгә кадәр кертелгән). Без сезнең кертемнәрне өйрәнмибез.
Әйе - Free.ai транскрипцияләрне коммерция максатларында кулланырга рөхсәт итә. Сезгә үзегез урнаштырган аудионың хокуклары кирәк (үзегезнең яздыруыгыз, лицензияле материал яки рөхсәт ителгән эчтәлек).
Реаль вакыт факторы якынча 0.05-0.2× - 60 минутлык подкаст 3-12 минут эчендә языла. Премиум модельләре ешрак тизрәк тәмамлана. Табынны ябарга чират баскычын кулланыгыз.