文字起こし編集

概要

トランスクリプト編集では、自然言語の指示を文字起こしリクエストに追加できます。オーディオの文字起こし後、その指示がトランスクリプトに適用され、編集済みテキストが元のテキストとともに返されます。

これにより、独自のパイプラインで別途後処理を行う必要がなくなります。一般的な用途には、日付、時刻、単位の表記統一、略語の展開、不要なコンテンツの削除、別のスタイルやトーンの適用、トランスクリプトの再フォーマットなどがあります。

たとえば、Write all dates in ISO 8601 format (YYYY-MM-DD)という指示でボイスメールを文字起こしすると、両方のバージョンのテキストが返されます。

{
  "language_code": "eng",
  "language_probability": 0.9912,
  "text": "Hi, this is Jill. Your appointment is confirmed for the twelfth of July twenty twenty-six, and the follow-up is on the third of August.",
  "words": [
    { "text": "Hi,", "start": 0.12, "end": 0.38, "type": "word", "logprob": 0.0 },
    { "text": " ", "start": 0.38, "end": 0.41, "type": "spacing", "logprob": 0.0 },
    { "text": "this", "start": 0.41, "end": 0.55, "type": "word", "logprob": 0.0 },
    ...
  ],
  "transcription_id": "Y2ZX8AxHUzTPCIualYiE",
  "edited_transcript": {
    "kind": "transcript",
    "text": "Hi, this is Jill. Your appointment is confirmed for 2026-07-12, and the follow-up is on 2026-08-03."
  }
}

textフィールドとwordsフィールドは常に元のトランスクリプトを示します。編集済みバージョンはedited_transcriptとして別途返されます。

トランスクリプト編集の統合

トランスクリプト編集は、convertメソッドにtranscript_editパラメータを渡すことで、スピーチtoテキストAPIに統合できます。指示は最大2000文字まで指定できます。

import os
from dotenv import load_dotenv
from elevenlabs.client import ElevenLabs
load_dotenv()
elevenlabs = ElevenLabs(
    api_key=os.getenv("ELEVENLABS_API_KEY"),
)
with open("voicemail.mp3", "rb") as audio_file:
    transcription = elevenlabs.speech_to_text.convert(
        file=audio_file,
        model_id="scribe_v2",
        # Natural-language instruction applied to the finished transcript.
        transcript_edit="Write all dates in ISO 8601 format (YYYY-MM-DD)",
    )
print("Original:", transcription.text)
print("Edited:", transcription.edited_transcript)

トランスクリプト編集は、同期リクエストとWebhookリクエストの両方で利用できます。Webhookリクエストでは、edited_transcriptがWebhookペイロードのtranscriptionオブジェクトに含まれます。

Scribe v2 Realtimeでは、コミットされた各トランスクリプトに同じ指示を適用できます。詳細はリアルタイムトランスクリプト編集ガイドをご覧ください。

指示の書き方

指示は関連する箇所すべてに対してトランスクリプト全体に適用され、最初の一致箇所だけでなく、すべての一致箇所が編集されます。特定の単語やフレーズだけを変更して他はそのままにすることも、テキスト全体を書き換えたり注釈を追加したりすることもできます。1つの指示に複数の編集を組み合わせることも可能です。

以下の例は、対応している指示の幅を示しています。

指示を作成する際は、以下に注意してください。

• 望む出力を明確に指定してください。Write all dates in ISO 8601 format (YYYY-MM-DD)の方がfix the datesより信頼性が高くなります。
• 指示はどの言語でも記述できますが、英語で書かれた指示が最も効果的です。編集済みトランスクリプトは元の言語のままです。
• 実行されるのは指示だけです。オーディオ内で話された内容はデータとして扱われ、指示の適用方法を変更することはできません。
• 指示の影響を受ける内容がトランスクリプト内にない場合、編集済みトランスクリプトは元のものと同一です。

レスポンス形式

transcript_editが設定されている場合、レスポンスにはedited_transcriptオブジェクトが含まれます。そのkindフィールドは編集が成功したかどうかを示します。

transcript_editがリクエストされていない場合、このフィールドは存在しません。

{
  "text": "Hi, this is Jill. Your appointment is confirmed for ...",
  "edited_transcript": {
    "kind": "error",
    "error_type": "edit_failed",
    "message": "The transcript could not be edited. Please try again."
  }
}

注意が必要な動作：

• 編集済みトランスクリプトはプレーンテキストです。単語レベルのタイムスタンプ、話者ラベル、additional_formatsは引き続き元のトランスクリプトを示します。
• 編集は文字起こしの完了後に実行されるため、トランスクリプトの長さに応じてレイテンシーが増加します。
• 追加料金はリクエストのオーディオ時間に適用され、リクエストごとに最低10秒分が請求されます。

次のステップ