Scribe v2 Realtime چیست؟ بررسی کاربرد، مشخصات و محدودیتها
آخرین راستیآزمایی: ۲۶ سپتامبر ۲۰۲۶
تاریخ عرضه: روز دقیق عرضه در متن فعلی ثبت نشده است.
قیمت و شیوهٔ محاسبه: در منبع بررسیشده نرخ ثابت عمومی ثبت نشده؛ تعرفه به پلن، منطقه یا شیوهٔ مصرف وابسته است. تعرفه و دسترسی را برای زمان خرید دوباره در منبع رسمیِ مقاله بررسی کنید.
معرفی و جایگاه مدل
Scribe v2 Realtime نسخه رونویسی زنده ElevenLabs است که هنگام ورود قطعههای صوتی متن جزئی میدهد. شناسه scribe_v2_realtime برای زیرنویس تماس یا Agent انتخاب میشود؛ نسخه scribe_v2 برای پردازش فایل ضبطشده و ویژگیهای آرشیوی مجزاست. شرکت بیش از ۹۰ زبان و زمان رسیدن متن جزئی در حدود ۱۵۰ میلیثانیه را در کارت معرفی میکند. این زمان پایان کامل گفتار یا تأخیر مرورگر نیست. نسخه Medical هم مسیر Batch جدا دارد؛ تغییر عنوان مقاله به Realtime نباید تخصص پزشکی را به این مدل نسبت دهد.
مشخصات فنی و دسترسی
مستند ElevenLabs ارسال قطعههای صوت و دریافت متن جزئی، PCM با نمونهبرداری ۸ تا ۴۸ کیلوهرتز و μ-law، Voice Activity Detection و کنترل دستی Commit پایان بخش را فهرست میکند. Timestamp واژه و تشخیص Entity نیز معرفی شده است؛ مقدار تأخیر ۱۵۰ms تخمین سازنده در شرایطی مشخص است. اگر با اپراتور تلفنی کار میکنید، نرخ نمونهبرداری ورودی، Endianness و حجم بسته باید درست تنظیم شود؛ Metadata اشتباه حتی با مدل سالم خروجی بیکیفیت میدهد. نرخ لحظهای و سقف اتصال در پلن API را پیش از استقرار کنترل کنید.
کاربردهای عملی
برای زیرنویس جلسه، صدای هر کانال را با حجم مناسب به Stream بفرستید و متن جزئی را بصری موقت نشان دهید. بعد از Commit فقط متن پایدار را در صورتجلسه ذخیره کنید. در قطع اتصال، از همان زماننشان قطعات از دسترفته را بازپخش یا با فایل اصلی بازیابی کنید. با جملههای ناقص و مکث طولانی آزمون انجام دهید تا VAD بخش را زود نبندد. اگر نام خاص یا دستور مالی شنیده میشود، قبل از فراخوانی ابزار بیرونی متن قطعی و تأیید انسانی بخواهید. برای فایل نهایی، مدل Batch را جدا بسنجید.
بنچمارکها و روش ارزیابی
۱۵۰ms و ادعای بهترین دقت Vendor-reported است. تأخیر انتها به انتها را از میکروفن تا متن پایدار در دستگاه کاربر اندازه بگیرید و نرخ اصلاح متن جزئی، افت بسته، WER و هزینه هر جلسه را ثبت کنید. نتیجه فایل تمیز به مکالمه شلوغ تعمیم ندارد. آزمون دستکم ۲۰ فایل با نویز محیط، لهجه، نام خاص، دو گوینده و تغییر زبان انجام دهید. نرخ خطای واژه (WER) برای رونوشت خام، تأخیر، خطای برچسب گوینده و خطای زمانبندی را جدا اندازه بگیرید. گزارش خود را با تعداد فایل، طول، زبان و شیوه پاکسازی متن کامل کنید؛ عدد اعلامی سازنده Vendor-reported است و جای آزمون فایلهای شما را نمیگیرد. متن و زمانبندی ظاهراً دقیق باید با فایل صوتی بازشنوی شود، مخصوصاً ارقام و نقلقولها.
قیمتگذاری و محدودیتها
سرویس زنده به شبکه و مدیریت قطع و وصل وابسته است. متن اولیه ممکن است چند بار تغییر کند؛ ذخیره آن بهعنوان نقلقول نهایی خطاست. صوت شرکتکنندگان باید با رضایت و سیاست داده مناسب ارسال شود. نرخ قیمت و همزمانی مجاز را از حساب واقعی بررسی کنید. رونویسی خودکار ممکن است جمله نامفهوم را با جمله ظاهراً معتبر پر کند. درباره جلسه محرمانه یا داده مشتری، سیاست نگهداری داده و منطقه پردازش را بررسی کنید. زمانبندی و تشخیص گوینده را بهویژه در همپوشانی صدا تصحیح کنید. نرخ دقیقه یا توکن به مسیر درخواست و روز خرید وابسته است.
مقایسه با گزینههای نزدیک
برای تصمیم میان Scribe v2 Realtime و Scribe v2، فقط نام یا نسخه را معیار قرار ندهید. اول نوع کار را یکسان کنید: رونویسی را با نرخ خطای واژه و نام خاص، گفتار مصنوعی را با تلفظ فارسی و تأخیر، و موسیقی را با انسجام قطعه و حق استفاده بسنجید. مدل زنده و مدل پردازش آفلاین ممکن است در کیفیت و تأخیر هدف متفاوتی داشته باشند؛ خروجی آنها را بدون همتراز کردن وظیفه رتبهبندی نکنید. برای تصمیم نهایی، هزینه هر دقیقه یا فایل قابلاستفاده و محدودیت دانلود و مجوز انتشار را در طرح واقعی خود بررسی کنید.
پرسشهای متداول
آیا ۱۵۰ms زمان رونویسی کامل است؟
خیر؛ عدد معرفیشده برای متن جزئی زودرس است.
آیا جای Scribe v2 برای آرشیو است؟
برای فایل نهایی نسخه Batch را هم آزمایش کنید؛ کاربردها متفاوتاند.
جمعبندی
برای زیرنویس و Agent زنده ارزش آزمون دارد. نرخ اصلاح متن و تأخیر انتها به انتها کیفیت کاربردی آن را مشخص میکنند.
مدلهای موجود در Buffalo147 AI را ببینید
