الون‌لبز اسکرایب v2 (Scribe v2)
Scribe v2 در ۱۹ دی ۱۴۰۴ عرضه شد و مدل اصلی ElevenLabs برای تبدیل فایل صوتی و ویدیویی به متن است. بیش از ۹۰ زبان را پشتیبانی میکند و طبق جدول رسمی ElevenLabs، فارسی در ردهٔ High Accuracy (خطای کلمه بیشتر از ۵٪ تا ۱۰٪) است. تشخیص گوینده، زمان‌بندی کلمه‌به‌کلمه و برچسب صداهای غیرگفتاری هم دارد. اگر پادکست، جلسه، مصاحبه یا ویدیو را به متن و زیرنویس تبدیل می‌کنید، این مدل برای شماست.
Scribe v2 مدل تبدیل گفتار به متن ElevenLabs برای فایل‌های صوتی و ویدیویی است. این صفحه مشخصات رسمی، دقت فارسی، پلن‌هایی که به آن دسترسی دارند و محدودیت‌هایش را تاریخ‌دار و با منبع جمع کرده است.
مشخصات فنی
هر مقدار تا تاریخ ذکرشده معتبر است؛ منبع هر ردیف کنارش آمده.
| مشخصه | مقدار | تا تاریخ | منبع |
|---|---|---|---|
| شناسهٔ API | scribe_v2 | ۱۸ مهر ۱۴۰۵ | منبع رسمی |
| تعداد زبان‌ها | بیش از ۹۰ زبان | ۱۸ مهر ۱۴۰۵ | منبع رسمی |
| دقت فارسی | ردهٔ High Accuracy: نرخ خطای کلمه (WER) بیشتر از ۵٪ تا ۱۰٪ | ۱۸ مهر ۱۴۰۵ | منبع رسمی |
| ورودی و خروجی | ورودی فایل صوتی و ویدیویی (MP3، WAV، M4A، MP4، MKV و...)، خروجی متن | ۱۸ مهر ۱۴۰۵ | منبع رسمی |
| حداکثر حجم و مدت فایل | تا ۳ گیگابایت؛ در حالت استاندارد تا ۱۰ ساعت | ۱۸ مهر ۱۴۰۵ | منبع رسمی |
| واژه‌های کلیدی (Keyterm prompting) | تا ۱٬۰۰۰ واژه، هر کدام تا ۵۰ کاراکتر | ۱۸ مهر ۱۴۰۵ | منبع رسمی |
| قیمت رسمی API | ۰٫۲۲ دلار برای هر ساعت صدا؛ Keyterm prompting ۰٫۰۵ دلار در ساعت اضافه | ۱۸ مهر ۱۴۰۵ | منبع رسمی |
| قابلیت‌ها | تشخیص گوینده، زمان‌بندی کلمه‌به‌کلمه، برچسب صداهای غیرگفتاری، تشخیص موجودیت تا ۵۶ دسته | ۱۸ مهر ۱۴۰۵ | منبع رسمی |
| دقت (به گزارش ElevenLabs) | پایین‌ترین نرخ خطای کلمه ثبت‌شده در بنچمارک‌های استاندارد صنعت | ۱۸ مهر ۱۴۰۵ | منبع رسمی |
| نام دیگر | scribe_v2 شناسهٔ رسمی در API؛ جایگزین scribe_v1 که منسوخ شده | ||
حالت Scribe v2 Realtime | نسخهٔ زنده با شناسهٔ scribe_v2_realtime؛ متن جزئی را در حدود ۱۵۰ میلیثانیه برمی‌گرداند و برای جلسهٔ زنده و ایجنت صوتی است.۰٫۳۹ دلار برای هر ساعت در API | ||
حالت Scribe v2 Medical | نسخهٔ دسته‌ای با شناسهٔ scribe_v2_medical برای صدای پزشکی و بالینی.همان قیمت Scribe v2، یعنی ۰٫۲۲ دلار در ساعت |
تایم‌لاین نسخه‌ها
رویدادهای مهم این مدل، به ترتیب زمانی معکوس.
Scribe v2 Medicalنسخهٔ تخصصی صدای پزشکی و بالینی با همان قیمت Scribe v2. اعلام رسمی
Scribe v2از همان روز در API و پلتفرم ElevenLabs در دسترس شد و Studio هم برای زیرنویس و رونویسی از آن استفاده میکند. اعلام رسمی
Scribe v2 Realtimeنسخهٔ زنده با تأخیر کمتر از ۱۵۰ میلیثانیه، از طریق API. دو روز بعد به ElevenLabs Agents هم اضافه شد. اعلام رسمی
موارد استفاده
جاهایی که این مدل واقعاً تفاوت می‌سازد.
زیرنویس ویدیو و پادکست
زمان‌بندی کلمه‌به‌کلمه برای هم‌تراز کردن زیرنویس ساخته شده و Studio هم برای زیرنویس از همین مدل استفاده میکند. فایل تا ۳ گیگابایت را می‌گیرد.
رونویسی جلسه و مصاحبه
تشخیص گوینده متن چندنفره را با برچسب هر گوینده جدا میکند. اگر فایل چند زبان داشته باشد، بدون تنظیم دستی همه را رونویسی میکند.
متن تخصصی با اسم‌ها و اصطلاحات خاص
با Keyterm prompting تا ۱٬۰۰۰ واژه مثل نام برند، اسم افراد یا اصطلاح فنی را به مدل می‌دهید تا درست نوشته شوند. این قابلیت هزینهٔ جداگانه دارد.
محدودیت‌ها و آنچه این مدل نیست
- فارسی در بالاترین ردهٔ دقت نیست ElevenLabs فارسی را در ردهٔ High Accuracy گذاشته، یعنی نرخ خطای کلمه بیشتر از ۵٪ تا ۱۰٪. برای متن مهم، بازبینی دستی لازم است. منبع رسمی
- برای رونویسی زنده ساخته نشده Scribe v2 برای فایل و ضبط‌های طولانی است. برای تأخیر خیلی کم و ایجنت صوتی، ElevenLabs نسخهٔ Scribe v2 Realtime را پیشنهاد میکند. منبع رسمی
- ویرایش متن هنوز آزمایشی است قابلیت Transcript editing را خود ElevenLabs آزمایشی معرفی کرده و مثل Keyterm prompting هزینهٔ جداگانه دارد. منبع رسمی
سؤالات متداول
Scribe v2 فارسی رو پشتیبانی می‌کنه؟
فرق Scribe v2 با Scribe v2 Realtime چیه؟
چه فایلی رو می‌شه به Scribe v2 داد؟
قیمت API مدل Scribe v2 چنده؟
منابع رسمی
مدل‌های مرتبط
هم‌خانواده‌ها، بقیهٔ مدل‌های همین سازنده، و مدل‌هایی که با همان اشتراک باز می‌شوند.
| مدل | قیمت رسمی | وضعیت | تفاوت کلیدی |
|---|---|---|---|
الون‌لبز اسکرایب v2 (Scribe v2) | ۰٫۲۲ دلار برای هر ساعت صدا؛ Keyterm prompting ۰٫۰۵ دلار در ساعت اضافه | فعال | ۹۰+ زبان؛ فارسی در ردهٔ High Accuracy |
الون‌لبز v4 (Eleven v4) | ۰٫۰۸ دلار برای هر ۱٬۰۰۰ کاراکتر | فعال | پراحساس‌ترین مدل متن به گفتار ElevenLabs |
الون موزیک v2.5 (Eleven Music v2.5) | ۰٫۱۵ دلار برای هر دقیقه؛ صفحهٔ قیمت آن را برای v2.5 جدا نکرده | فعال | پیشرفته‌ترین مدل موسیقی الون‌لبز |
الون‌لبز v3 (Eleven v3) | ۰٫۰۸ دلار برای هر ۱٬۰۰۰ کاراکتر | فعال | گفتار بیانگر با تگ‌های صوتی و دیالوگ چندگوینده |
الون‌لبز v4 توربو (Eleven v4 Turbo) | ندارد | فعال |
ElevenLabs ۳ مدلv2.5 (Eleven Music v2.5)فعالپیشرفته‌ترین مدل موسیقی الون‌لبز۰٫۱۵ دلار برای هر دقیقه؛ صفحهٔ قیمت آن را برای v2.5 جدا نکردهمشخصاتالون‌لبز v3 (Eleven v3)فعالگفتار بیانگر با تگ‌های صوتی و دیالوگ چندگوینده۰٫۰۸ دلار برای هر ۱٬۰۰۰ کاراکترمشخصاتالون‌لبز v4 توربو (Eleven v4 Turbo)فعالقیمت عمومی نداردمشخصاتمدلهای دیگر برای همین کاربردها
این مدل در این فهرست‌ها هم آمده است. هر فهرست مدل‌های همان کاربرد و اشتراکی که بازشان میکند را کنار هم نشان می‌دهد.
همهٔ کاربردها