本文へスキップ

elevenlabs/scribe-v3/speech-to-text

ElevenLabs Scribe V3 は、録音音声を単語ごとの時刻、言語検出、任意の話者ラベル付きのテキストに変換します。

最低価格 $0.0002/秒

プレイグラウンド

入力

音声からテキスト
1/1
1 / 1 ファイル
文字起こしする録音です。 1 文字以上

送信と料金見積もりを有効にする前にアカウントを確認しています。

出力

実行待ち
サンプル出力
モデルの応答

関連モデルと次のステップ

お探しのモデルが見つかりませんか?

録音音声の文字起こし

102 言語に対応し、単語単位の時刻と話者ラベルを出力します。

主なスペック

言語コード
112
ElevenLabs Scribe V3は言語コードを112件載せ、空のままなら検出します。
最長のファイル
1 h
ElevenLabs Scribe V3は最長1時間の録音を受け付けます。
最低請求
10s
ElevenLabs Scribe V3は音声の秒ごとに請求し、最低10秒からで、失敗したリクエストは課金しません。
追加のヒント
100
ElevenLabs Scribe V3は聞こえそうな言語コードを追加で100件まで受け付けます。
話者ラベル
OFF
ElevenLabs Scribe V3は有効にするまで話者ラベルをオフのままにします。
イベントタグ
ON
ElevenLabs Scribe V3はタグ付けをオフにしない限り、話し声以外の音をマークします。

できること

検証で得た文字起こし

単語の時刻を伴う短いメモ

2026年11月18日の検証では2.35秒の英語録音を使用しました。「The next step is ready. Please continue.」という本文、言語コードeng、各単語と空白の開始・終了時刻が返されました。これらの時刻を使って、元の録音から該当する語句を探せます。

2.35秒の音声の波形と、その下に並ぶ文字起こしの各単語の開始・終了時刻です。

言語の条件

想定される言語を指定する

発話言語を自動検出する場合は空欄にし、分かる場合は対応するコードを設定します。他に想定される言語コードをヒントとして100件まで追加できます。インタビューや現地録音、講演など、含まれる言語を予測できる場合に設定してください。

文字起こしの表記

ラベル、イベント、数値を選ぶ

返された文と、言語コード、音声の長さ、単語ごとの時刻の表です。

既定では話者ラベルはオフ、音声イベントのタグ付けはオンです。インタビューの文字起こしや編集原稿に合わせて変更し、発話中の数値にはdigitsまたはwordsを選びます。返された本文とラベルは元の録音と照合してください。

活用シーン

  • 編集者向けのインタビュー文字起こし

    録音したインタビューを発言ごとに整理する際は、diarizeで話者ラベルをリクエストします。引用を人物に紐づける前に、音声とラベルを照合してください。

  • 録音済み講演の字幕準備

    編集作業で字幕を作成する際、単語ごとの時刻から発話箇所を探せます。検証した英語メモでは単語と空白の開始・終了時刻が返されましたが、字幕の配置と最終的な表示時刻は編集時の確認が必要です。

  • 現地録音の言語設定

    複数言語が含まれると想定される録音では、主な発話言語を設定し、他の言語コードをヒントとして追加します。主な言語を自動検出したい場合は空欄にします。

  • 業務インタビューの数量確認

    数量を確認するときはdigits、文章に整えるときはwordsを選びます。数値表記の設定は表示形式を決めるものです。報告書に転記する前に音声で数値を確認してください。

  • 短い進捗の音声メモ

    短い進捗報告の録音をテキストにし、音声と並べて確認できます。2.35秒の検証用音声では「The next step is ready. Please continue.」が返され、検出言語engと各単語・空白の時刻が含まれていました。

モデルリファレンス

ElevenLabs Scribe V3 API リファレンス

ElevenLabs Scribe V3 API の仕様

公開元
ElevenLabs
公開日
2026年11月10日
タスク
録音音声の文字起こし
必須入力
audio_url: 空でない録音URL
言語の選択
対応リスト内のISO 639コード。空欄で自動検出
追加の言語ヒント
想定される言語コードを100件まで
数値の表記
digitsまたはwords
話者ラベル
diarize。既定ではオフ
音声イベントのタグ
tag_audio_events。既定ではオン
録音の長さ
1時間まで
課金
音声の秒数に応じた課金。1リクエストあたり最低10秒分。失敗したリクエストは課金なし
検証で得た出力
2.35秒の英語音声。文字起こし、言語コードeng、単語と空白の開始・終了時刻

ElevenLabs Scribe V3 API の呼び出し方

  1. 録音のURLを用意する

    1時間までの録音のURLをaudio_urlに指定します。元音声を聞き、確認時に注意すべき箇所、話者の交代、数値を把握しておきます。

  2. 言語の条件を選ぶ

    発話言語が分かる場合は対応するコードをlanguageに設定し、自動検出する場合は空欄にします。他に想定される言語はlanguage_hintsに1行1コードで追加します。

  3. 文字起こしの表記を設定する

    話者ラベルが必要な場合はdiarizeを有効にし、音声イベントのタグを残すかどうかを決めます。編集作業で数値の表記をそろえたい場合はdigitsまたはwordsを選びます。

  4. 音声と本文を照合する

    録音を送信したら、単語ごとの時刻を使って該当箇所を探し、返された文言を元音声と比較します。公開用の原稿に使う前に、話者の切り替わりと重要な数値を確認してください。

モデルの概要

録音したインタビューや講演、音声メモを、元音声と並べて確認できるテキストに変換できます。言語の条件を選び、会話には話者ラベルを有効にして、数値と音声イベントの表記を決めてください。英語の検証例では、メモの本文と検出言語、単語と空白の時刻が返されました。その時刻を手がかりに該当箇所を探し、公開前に引用と数値を確認します。録音は1時間まで対応します。表示される秒単価と1リクエストあたり10秒分の最低料金を使って費用を見積もってください。

ElevenLabs Scribe V3 API のよくある質問