ट्रांसक्रिप्शन

परिचय

ElevenLabs स्पीच टू टेक्स्ट (STT) API अत्याधुनिक सटीकता के साथ बोले गए ऑडियो को टेक्स्ट में बदलता है। हमारा Scribe v2 मॉडल 90+ भाषाओं और कई वॉइस स्टाइल में टेक्स्ट संकेतों के अनुसार ढल जाता है। लाइव डेमो आज़माने के लिए हमारा स्पीच टू टेक्स्ट शोकेस पेज देखें।

प्रोडक्ट्स

ElevenLabs में स्पीच टू टेक्स्ट इस्तेमाल करने की चरण-दर-चरण गाइड।

डेवलपर्स

अपने ऐप्लिकेशन में स्पीच टू टेक्स्ट API इंटीग्रेट करना सीखें।

रियलटाइम स्पीच टू टेक्स्ट

WebSockets के साथ ElevenLabs में रियलटाइम ऑडियो ट्रांसक्राइब करना सीखें।

API रेफरेंस

स्पीच टू टेक्स्ट एंडपॉइंट का पूरा API रेफरेंस।

HIPAA अनुपालन की आवश्यकता वाली कंपनियों को बिज़नेस एसोसिएट एग्रीमेंट (BAA) पर हस्ताक्षर करने के लिए ElevenLabs Sales से संपर्क करना होगा। HIPAA से जुड़े किसी भी इंटीग्रेशन या डिप्लॉयमेंट से पहले यह चरण पूरा करना सुनिश्चित करें।

मॉडल्स

Scribe v2

अत्याधुनिक स्पीच रिकग्निशन मॉडल

90+ भाषाओं में सटीक transcription

Keyterm prompting, 1000 तक terms

Entity detection, 65 entity types

प्राकृतिक भाषा के निर्देशों से transcript editing

सटीक word-level timestamps

Speaker diarization, 32 speakers तक

Dynamic audio tagging

Smart language detection

Scribe v2 Realtime

रीयल-टाइम स्पीच रिकग्निशन मॉडल

90+ भाषाओं में सटीक transcription

रीयल-टाइम transcription

कम latency (~150ms†)

सटीक word-level timestamps

Entity detection, 65 entity types

प्राकृतिक भाषा के निर्देशों से transcript editing

Scribe v2 Medical

क्लिनिकल ऑडियो के लिए finetune किया गया स्पीच रिकग्निशन

Scribe v2 की तुलना में क्लिनिकल ऑडियो पर 35% कम transcription errors

रोज़मर्रा की स्पीच पर Scribe v2 जितनी ही सटीकता

Scribe v2 जैसे ही features, भाषाएं, pricing और API

सभी देखें

उदाहरण API रिस्पॉन्स

नीचे दिया गया उदाहरण एक सैंपल ऑडियो फ़ाइल के लिए Scribe v2 मॉडल का इस्तेमाल करके स्पीच टू टेक्स्ट API का आउटपुट दिखाता है।

पूरा JSON रिस्पॉन्स देखें

{
  "language_code": "en",
  "language_probability": 1,
  "text": "With a soft and whispery American accent, I'm the ideal choice for creating ASMR content, meditative guides, or adding an intimate feel to your narrative projects.",
  "words": [
    {
      "text": "With",
      "start": 0.119,
      "end": 0.259,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 0.239,
      "end": 0.299,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "a",
      "start": 0.279,
      "end": 0.359,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 0.339,
      "end": 0.499,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "soft",
      "start": 0.479,
      "end": 1.039,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 1.019,
      "end": 1.2,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "and",
      "start": 1.18,
      "end": 1.359,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 1.339,
      "end": 1.44,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "whispery",
      "start": 1.419,
      "end": 1.979,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 1.959,
      "end": 2.179,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "American",
      "start": 2.159,
      "end": 2.719,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 2.699,
      "end": 2.779,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "accent,",
      "start": 2.759,
      "end": 3.389,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 4.119,
      "end": 4.179,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "I'm",
      "start": 4.159,
      "end": 4.459,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 4.44,
      "end": 4.52,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "the",
      "start": 4.5,
      "end": 4.599,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 4.579,
      "end": 4.699,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "ideal",
      "start": 4.679,
      "end": 5.099,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 5.079,
      "end": 5.219,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "choice",
      "start": 5.199,
      "end": 5.719,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 5.699,
      "end": 6.099,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "for",
      "start": 6.099,
      "end": 6.199,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 6.179,
      "end": 6.279,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "creating",
      "start": 6.259,
      "end": 6.799,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 6.779,
      "end": 6.979,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "ASMR",
      "start": 6.959,
      "end": 7.739,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 7.719,
      "end": 7.859,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "content,",
      "start": 7.839,
      "end": 8.45,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 9,
      "end": 9.06,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "meditative",
      "start": 9.04,
      "end": 9.64,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 9.619,
      "end": 9.699,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "guides,",
      "start": 9.679,
      "end": 10.359,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 10.359,
      "end": 10.409,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "or",
      "start": 11.319,
      "end": 11.439,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 11.42,
      "end": 11.52,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "adding",
      "start": 11.5,
      "end": 11.879,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 11.859,
      "end": 12,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "an",
      "start": 11.979,
      "end": 12.079,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 12.059,
      "end": 12.179,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "intimate",
      "start": 12.179,
      "end": 12.579,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 12.559,
      "end": 12.699,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "feel",
      "start": 12.679,
      "end": 13.159,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 13.139,
      "end": 13.179,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "to",
      "start": 13.159,
      "end": 13.26,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 13.239,
      "end": 13.3,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "your",
      "start": 13.299,
      "end": 13.399,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 13.379,
      "end": 13.479,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "narrative",
      "start": 13.479,
      "end": 13.889,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 13.919,
      "end": 13.939,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "projects.",
      "start": 13.919,
      "end": 14.779,
      "type": "word",
      "speaker_id": "speaker_0"
    }
  ]
}

आउटपुट को तीन कैटेगरी टाइप में वर्गीकृत किया जाता है:

word - ऑडियो की भाषा का एक शब्द
spacing - शब्दों के बीच की जगह; जापानी, मंदारिन, थाई, लाओ, बर्मी और कैंटोनीज़ जैसी स्पेस का इस्तेमाल न करने वाली भाषाओं में लागू नहीं
audio_event - हँसी या तालियों जैसी गैर-वाक् ध्वनियाँ

कॉन्करेंसी और प्राथमिकता

कॉन्करेंसी का अर्थ है कि एक ही समय पर कितने रिक्वेस्ट प्रोसेस किए जा सकते हैं।

स्पीच टू टेक्स्ट के लिए, 8 मिनट से लंबी फ़ाइलों को प्रोसेसिंग तेज़ करने के लिए अंदरूनी तौर पर समानांतर रूप से ट्रांसक्राइब किया जाता है। ऑडियो को एक साथ ट्रांसक्राइब करने के लिए चार सेगमेंट में बाँटा जाता है।

आप नीचे दिए गए कैलकुलेशन से कॉन्करेंसी लिमिट निकाल सकते हैं:

Concurrency = \min(4, \text{round\_up}(\frac{\text{audio\_duration\_secs}}{480}))

उदाहरण के लिए, 15 मिनट की ऑडियो फ़ाइल को 2 की कॉन्करेंसी के साथ ट्रांसक्राइब किया जाएगा, जबकि 120 मिनट की ऑडियो फ़ाइल को 4 की कॉन्करेंसी के साथ ट्रांसक्राइब किया जाएगा।

ऊपर दिया गया कैलकुलेशन सिर्फ़ Scribe v2 और Scribe v2 Medical पर लागू होता है। Scribe v2 Realtime के लिए कॉन्करेंसी लिमिट चार्ट देखें।

उन्नत सुविधाएँ

कीटर्म प्रॉम्प्टिंग और ट्रांसक्रिप्ट एडिटिंग की अतिरिक्त लागत होती है। विस्तृत कीमत की जानकारी के लिए API प्राइसिंग पेज देखें।

कीटर्म प्रॉम्प्टिंग

कीटर्म प्रॉम्प्टिंग Scribe v2, Scribe v2 Medical (बैच), और Scribe v2 Realtime के साथ उपलब्ध है।

शब्दों या वाक्यांशों को हाइलाइट करके मॉडल को उन्हें ट्रांसक्राइब करने की ओर निर्देशित करें। 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 में अधिकतम 1000 कीटर्म (प्रत्येक 50 वर्ण) समर्थित हैं, जबकि रियलटाइम में अधिकतम 50 कीटर्म (प्रत्येक 20 वर्ण) समर्थित हैं।

कीटर्म प्रॉम्प्टिंग इस्तेमाल करने के बारे में अधिक जानने के लिए कीटर्म प्रॉम्प्टिंग डॉक्यूमेंटेशन देखें।

नो वर्बेटिम मोड

नो वर्बेटिम मोड Scribe v2, Scribe v2 Medical (बैच), और Scribe v2 Realtime के साथ उपलब्ध है।

जब no_verbatim सक्षम होता है, तो मॉडल ट्रांसक्रिप्ट से फिलर शब्द, गलत शुरुआत और असंबद्धताएँ हटा देता है। इससे साफ़ आउटपुट मिलता है, जो सबटाइटल, सारांश या ऐसे किसी भी उपयोग के लिए उपयुक्त है जहाँ हर बोले गए शब्द को कैप्चर करने से ज़्यादा पठनीयता महत्वपूर्ण हो।

एंटिटी डिटेक्शन

एंटिटी डिटेक्शन सभी बैच मॉडल्स और Scribe v2 Realtime के साथ उपलब्ध है।

बैच मॉडल्स और Scribe v2 Realtime ट्रांसक्रिप्ट में कई कैटेगरी की एंटिटी पहचान सकते हैं और उनके सटीक टाइमस्टैंप दे सकते हैं। यह क्रेडिट कार्ड नंबर, नाम, मेडिकल कंडीशन या SSN को हाइलाइट करने के लिए उपयोगी है।

समर्थित एंटिटी की पूरी सूची के लिए एंटिटी डिटेक्शन डॉक्यूमेंटेशन देखें।

ट्रांसक्रिप्ट एडिटिंग

ट्रांसक्रिप्ट एडिटिंग एक एक्सपेरिमेंटल सुविधा है, जो सभी बैच मॉडल्स और Scribe v2 Realtime के साथ उपलब्ध है।

transcript_edit पैरामीटर के साथ प्राकृतिक भाषा का निर्देश भेजें और उसे तैयार ट्रांसक्रिप्ट पर लागू किया जाएगा। एडिट किया गया टेक्स्ट मूल ट्रांसक्रिप्ट के साथ edited_transcript में लौटाया जाता है, इसलिए टाइमस्टैंप और स्पीकर लेबल सुरक्षित रहते हैं। यह तारीखों, समय या इकाइयों के लिखने के तरीके को सामान्य बनाने, अलग स्टाइल लागू करने या एक ही रिक्वेस्ट में ट्रांसक्रिप्ट फिर से लिखने के लिए उपयोगी है।

अधिक जानने के लिए ट्रांसक्रिप्ट एडिटिंग डॉक्यूमेंटेशन और रियलटाइम ट्रांसक्रिप्ट एडिटिंग गाइड देखें।

समर्थित भाषाएँ

Scribe v2 90+ भाषाओं को support करता है, जिनमें शामिल हैं:

अफ़्रीकान्स (afr), अम्हारिक (amh), अरबी (ara), अर्मेनियाई (hye), असमिया (asm), अस्तूरियाई (ast), अज़रबैजानी (aze), बेलारूसी (bel), बांग्ला (ben), बोस्नियाई (bos), बल्गेरियाई (bul), बर्मी (mya), कैंटोनीज़ (yue), कैटलन (cat), सेबुआनो (ceb), चिचेवा (nya), क्रोएशियाई (hrv), चेक (ces), डेनिश (dan), डच (nld), अंग्रेज़ी (eng), एस्टोनियाई (est), फ़िलिपीनो (fil), फ़िनिश (fin), फ़्रेंच (fra), फुलाह (ful), गैलिशियन (glg), गांडा (lug), जॉर्जियाई (kat), जर्मन (deu), यूनानी (ell), गुजराती (guj), हौसा (hau), हिब्रू (heb), हिंदी (hin), हंगेरियन (hun), आइसलैंडिक (isl), इग्बो (ibo), इंडोनेशियाई (ind), आयरिश (gle), इतालवी (ita), जापानी (jpn), जावानीज़ (jav), काबुवेर्दियानु (kea), कन्नड़ (kan), कज़ाख़ (kaz), खमेर (khm), कोरियाई (kor), कुर्दिश (kur), किर्गिज़ (kir), लाओ (lao), लातवियाई (lav), लिंगाला (lin), लिथुआनियाई (lit), लुओ (luo), लक्ज़मबर्गिश (ltz), मैसेडोनियाई (mkd), मलय (msa), मलयालम (mal), माल्टीज़ (mlt), मंदारिन चीनी (zho), माओरी (mri), मराठी (mar), मंगोलियाई (mon), नेपाली (nep), उत्तरी सोथो (nso), नॉर्वेजियन (nor), ओक्सितान (oci), ओड़िया (ori), पश्तो (pus), फ़ारसी (fas), पोलिश (pol), पुर्तगाली (por), पंजाबी (pan), रोमानियाई (ron), रूसी (rus), सर्बियाई (srp), शोना (sna), सिंधी (snd), सिंहली (sin), स्लोवाक (slk), स्लोवेनियाई (slv), सोमाली (som), स्पेनिश (spa), स्वाहिली (swa), स्वीडिश (swe), तमिल (tam), ताजिक (tgk), तेलुगु (tel), थाई (tha), तुर्की (tur), यूक्रेनी (ukr), उम्बुंदु (umb), उर्दू (urd), उज़्बेक (uzb), वियतनामी (vie), वेल्श (cym), वोलोफ़ (wol), खोसा (xho) और ज़ुलू (zul)।

भाषा सहायता का विवरण

वर्ड एरर रेट (WER) ट्रांसक्रिप्शन सिस्टम की सटीकता का आकलन करने वाला एक महत्वपूर्ण मेट्रिक है। यह रेफरेंस ट्रांसक्रिप्ट की तुलना में ट्रांसक्रिप्ट में मौजूद गलतियों की संख्या मापता है। नीचे Scribe v2 द्वारा समर्थित हर भाषा का WER विवरण दिया गया है।

उत्कृष्ट (≤ 5% WER)

बेलारूसी (bel), बोस्नियाई (bos), बल्गेरियाई (bul), कैटलन (cat), क्रोएशियाई (hrv), चेक (ces), डेनिश (dan), डच (nld), अंग्रेज़ी (eng), एस्टोनियाई (est), फ़िनिश (fin), फ़्रेंच (fra), गैलिशियन (glg), जर्मन (deu), ग्रीक (ell), हंगेरियाई (hun), आइसलैंडिक (isl), इंडोनेशियाई (ind), इतालवी (ita), जापानी (jpn), कन्नड़ (kan), लातवियाई (lav), मैसेडोनियाई (mkd), मलय (msa), मलयालम (mal), नॉर्वेजियाई (nor), पोलिश (pol), पुर्तगाली (por), रोमानियाई (ron), रूसी (rus), स्लोवाक (slk), स्पेनिश (spa), स्वीडिश (swe), तुर्की (tur), यूक्रेनी (ukr) और वियतनामी (vie)।

उच्च सटीकता (>5% से ≤10% WER)

अर्मेनियाई (hye), अज़रबैजानी (aze), बांग्ला (ben), कैंटोनीज़ (yue), फ़िलिपीनो (fil), जॉर्जियाई (kat), गुजराती (guj), हिंदी (hin), कज़ाख़ (kaz), लिथुआनियाई (lit), माल्टीज़ (mlt), मंदारिन (cmn), मराठी (mar), नेपाली (nep), ओड़िया (ori), फ़ारसी (fas), सर्बियाई (srp), स्लोवेनियाई (slv), स्वाहिली (swa), तमिल (tam) और तेलुगु (tel)

अच्छी (>10% से ≤20% WER)

अफ़्रीकान्स (afr), अरबी (ara), असमिया (asm), अस्तूरियन (ast), बर्मी (mya), हौसा (hau), हिब्रू (heb), जावानीज़ (jav), कोरियाई (kor), किर्गिज़ (kir), लक्ज़मबर्गिश (ltz), माओरी (mri), ऑक्सिटन (oci), पंजाबी (pan), ताजिक (tgk), थाई (tha), उज़्बेक (uzb) और वेल्श (cym)।

मध्यम (>25% से ≤50% WER)

अम्हारिक (amh), गांडा (lug), इग्बो (ibo), आयरिश (gle), खमेर (khm), कुर्दिश (kur), लाओ (lao), मंगोलियाई (mon), उत्तरी सोथो (nso), पश्तो (pus), शोना (sna), सिंधी (snd), सिंहली (sin), सोमाली (som), उर्दू (urd), वोलोफ़ (wol), खोसा (xho), योरूबा (yor) और ज़ुलू (zul)।

FAQ

क्या मैं वीडियो फ़ाइलों के साथ स्पीच टू टेक्स्ट API इस्तेमाल कर सकता/सकती हूँ?

हाँ, API ट्रांसक्रिप्शन के लिए ऑडियो और वीडियो, दोनों फ़ाइलों के अपलोड का समर्थन करता है।

स्पीच टू टेक्स्ट API के लिए फ़ाइल साइज़ और अवधि की सीमाएँ क्या हैं?

3 GB तक की फ़ाइलें समर्थित हैं। अवधि सीमाएँ ट्रांसक्रिप्शन मोड पर निर्भर करती हैं:

स्टैंडर्ड मोड (use_multi_channel=false): अधिकतम 10 घंटे
मल्टी-चैनल मोड (use_multi_channel=true): सभी चैनलों की कुल अवधि 10 घंटे से कम होनी चाहिए

API में कौन-से ऑडियो और वीडियो फ़ॉर्मैट समर्थित हैं?

API इन ऑडियो और वीडियो फ़ॉर्मैट का समर्थन करता है:

audio/aac
audio/x-aac
audio/x-aiff
audio/ogg
audio/mpeg
audio/mp3
audio/mpeg3
audio/x-mpeg-3
audio/opus
audio/wav
audio/x-wav
audio/webm
audio/flac
audio/x-flac
audio/mp4
audio/aiff
audio/x-m4a

समर्थित वीडियो फ़ॉर्मैट में शामिल हैं:

video/mp4
video/x-msvideo
video/x-matroska
video/quicktime
video/x-ms-wmv
video/x-flv
video/webm
video/mpeg
video/3gpp

आप और भाषाओं का समर्थन कब करेंगे?

ElevenLabs लगातार हमारे मॉडल्स द्वारा समर्थित भाषाओं की संख्या बढ़ा रहा है। अपडेट के लिए नियमित रूप से जाँचते रहें।

क्या स्पीच टू टेक्स्ट API वेबहुक्स का समर्थन करता है?

हाँ, असिंक्रोनस ट्रांसक्रिप्शन परिणाम UI में वेबहुक सेटिंग्स में कॉन्फ़िगर किए गए वेबहुक्स को भेजे जा सकते हैं। वेबहुक्स कुकबुक में अधिक जानें।

क्या API में मल्टीचैनल ट्रांसक्रिप्शन मोड समर्थित है?

हाँ, मल्टीचैनल STT सुविधा आपको ऐसे ऑडियो को ट्रांसक्राइब करने देती है, जिसमें हर चैनल स्वतंत्र रूप से प्रोसेस होता है और उसे उसके चैनल नंबर के आधार पर स्पीकर ID दी जाती है। यह सुविधा अधिकतम 5 चैनलों का समर्थन करती है। मल्टीचैनल ट्रांसक्रिप्शन कुकबुक में अधिक जानें।

स्पीच टू टेक्स्ट API के लिए बिलिंग कैसे काम करती है?

ElevenLabs ट्रांसक्रिप्शन के लिए भेजे गए ऑडियो की अवधि के आधार पर स्पीच टू टेक्स्ट की फीस लेता है। बिलिंग ऑडियो के प्रति घंटे के हिसाब से की जाती है और दरें टियर व मॉडल के अनुसार अलग-अलग होती हैं। विस्तृत कीमत की जानकारी के लिए API प्राइसिंग पेज देखें।

साइलेंस बिल की अवधि में शामिल होता है। बैच और रियलटाइम, दोनों ट्रांसक्रिप्शन आपके भेजे गए ऑडियो के हर सेकंड पर मीटर किए जाते हैं, जिसमें पॉज़ और साइलेंट हिस्से भी शामिल हैं, और साइलेंस पर कोई छूट नहीं मिलती।

मुख्य बातें

समर्थित इनपुट: ऑडियो और वीडियो, दोनों फ़ाइलें स्वीकार की जाती हैं
अधिकतम फ़ाइल साइज़: 3 GB
अधिकतम अवधि: 10 घंटे (स्टैंडर्ड मोड), 1 घंटा (मल्टीचैनल मोड)
मल्टीचैनल मोड: अधिकतम 5 चैनल; हर चैनल स्वतंत्र रूप से प्रोसेस होता है और चैनल नंबर के अनुसार स्पीकर ID दी जाती है
वेबहुक्स: असिंक्रोनस ट्रांसक्रिप्शन परिणाम वेबहुक पर भेजे जा सकते हैं — वर्कस्पेस सेटिंग्स में कॉन्फ़िगर करें
समर्थित ऑडियो फ़ॉर्मैट: AAC, AIFF, OGG, MP3, OPUS, WAV, FLAC, M4A, WebM
समर्थित वीडियो फ़ॉर्मैट: MP4, AVI, MKV, MOV, WMV, FLV, WebM, MPEG, 3GPP