कीटर्म प्रॉम्प्टिंग

परिचय

कीटर्म प्रॉम्प्टिंग एक सुविधा है, जिससे आप शब्दों या वाक्यांशों को हाइलाइट करके मॉडल को उन्हें ट्रांसक्राइब करने की ओर निर्देशित कर सकते हैं। यह प्रोडक्ट नामों, व्यक्तियों के नामों या अन्य खास शब्दों जैसे ऑडियो में कम आने वाले विशिष्ट शब्दों या वाक्यों को ट्रांसक्राइब करने में उपयोगी है। कीटर्म अन्य मॉडल्स के बायस्ड कीवर्ड्स या कस्टम वोकैब्युलरी से ज़्यादा प्रभावी हैं, क्योंकि यह संदर्भ के आधार पर तय करता है कि उस शब्द को ट्रांसक्राइब करना है या नहीं।

बैच ट्रांसक्रिप्शन में, हर कीटर्म में अधिकतम 5 शब्द भी हो सकते हैं।

उदाहरण के लिए, अगर आपकी कंपनी का नाम कोई आम वाक्यांश नहीं है या उसकी स्पेलिंग या उच्चारण अलग है, तो मॉडल से सही ट्रांसक्रिप्शन सुनिश्चित करने के लिए आप कीटर्म इस्तेमाल कर सकते हैं। नीचे दिया गया ऑडियो देखें:

कीटर्म प्रॉम्प्टिंग के बिना, मॉडल ऊपर दिए गए ऑडियो को इस तरह ट्रांसक्राइब कर सकता है:

I work at eleven labs.

जिसमें कंपनी नाम के लिए गलत स्टाइल इस्तेमाल हुई है। कीटर्म प्रॉम्प्टिंग के साथ, आप सुनिश्चित कर सकते हैं कि मॉडल ऊपर दिए गए ऑडियो को सही स्पेलिंग और स्टाइल के साथ ट्रांसक्राइब करे:

I work at ElevenLabs.

संदर्भ

मॉडल संदर्भ का इस्तेमाल करके यह तय कर सकता है कि किसी शब्द को ट्रांसक्राइब किया जाना चाहिए या नहीं। कीटर्म “ElevenLabs” देने पर ऊपर दिया गया ऑडियो अपेक्षा के अनुसार ट्रांसक्राइब होता है, फिर भी मॉडल संदर्भ के आधार पर नीचे दिए गए ऑडियो को सही ढंग से ट्रांसक्राइब कर सकेगा:

जिसका ट्रांसक्रिप्शन इस प्रकार मिलता है:

I've worked at many labs. In fact I've worked at eleven labs.

बैच ट्रांसक्रिप्शन

कीटर्म प्रॉम्प्टिंग को convert मेथड में keyterms पैरामीटर देकर बैच स्पीच टू टेक्स्ट API में इंटीग्रेट किया जाता है।

import os
from dotenv import load_dotenv
from io import BytesIO
import requests
from elevenlabs.client import ElevenLabs
load_dotenv()
elevenlabs = ElevenLabs(
    api_key=os.getenv("ELEVENLABS_API_KEY"),
)
audio_url = (
    "https://storage.googleapis.com/eleven-public-cdn/documentation_assets/audio/stt-keyterm-prompting.mp3"
)
response = requests.get(audio_url)
audio_data = BytesIO(response.content)
transcription = elevenlabs.speech_to_text.convert(
    file=audio_data,
    model_id="scribe_v2", # Model to use
    # Keyterms to prompt the model with.
    # Up to 1000 keyterms can be provided, with a maximum length of 50 characters each
    keyterms=["ElevenLabs"],
)
print(transcription)

रियलटाइम स्ट्रीमिंग

कीटर्म प्रॉम्प्टिंग रियलटाइम स्पीच टू टेक्स्ट WebSocket API के लिए भी उपलब्ध है। कनेक्ट करते समय keyterms पैरामीटर दें।

connection = await elevenlabs.speech_to_text.realtime.connect(RealtimeUrlOptions(
    model_id="scribe_v2_realtime",
    keyterms=["ElevenLabs"],
))

WebSocket API का सीधे इस्तेमाल करते समय, कीटर्म को क्वेरी पैरामीटर के रूप में दें:

wss://api.elevenlabs.io/v1/speech-to-text/realtime?model_id=scribe_v2_realtime&keyterms=ElevenLabs&keyterms=AnotherTerm

अगले चरण