ElevenLabsSpeechToText - ComfyUI Built-in Node Documentation

ElevenLabs Speech to Text ノードは、ElevenLabs API を使用して音声をテキストに文字起こしします。自動言語検出、話者ダイアライゼーション（異なる話者の識別）、およびオーディオイベントタグ付け（笑い声や音楽などの音を文字起こしに注釈付け）をサポートしています。

入力

パラメータ	説明	データ型	必須	範囲
`モデル`	文字起こしに使用するモデル。このモデルを選択すると、追加のパラメータが表示されます。	DYNAMIC_COMBO	はい	`"scribe_v2"`
`音声`	文字起こしする音声。	AUDIO	はい	-
`言語コード`	ISO-639-1 または ISO-639-3 の言語コード（例：‘en’、‘es’、‘fra’）。自動検出の場合は空のままにします。（デフォルト: ""）	STRING	いいえ	-
`話者数`	予測する最大話者数。自動検出の場合は 0 に設定します。（デフォルト: 0）	INT	いいえ	0 - 32
`シード値`	再現性のためのシード（決定性は保証されません）。（デフォルト: 1）	INT	いいえ	0 - 2147483647

これらのパラメータは、"scribe_v2" モデルが選択されたときに表示されます。

パラメータ	説明	データ型	必須	範囲
`tag_audio_events`	文字起こし内の（笑い声）、（音楽）などの音に注釈を付けます。（デフォルト: False）	BOOLEAN	いいえ	-
`diarize`	誰が話しているかに注釈を付けます。（デフォルト: False）	BOOLEAN	いいえ	-
`diarization_threshold`	話者分離の感度。値が小さいほど話者の変化に敏感になります。`diarize` が有効な場合にのみ使用されます。（デフォルト: 0.22）	FLOAT	いいえ	0.1 - 0.4
`temperature`	ランダム性の制御。0.0 はモデルのデフォルトを使用します。値が大きいほどランダム性が高まります。（デフォルト: 0.0）	FLOAT	いいえ	0.0 - 2.0
`timestamps_granularity`	文字起こしの単語のタイミング精度。（デフォルト: “word”）	COMBO	いいえ	`"word"` `"character"` `"none"`

注記: diarize が有効な場合、num_speakers を 0 より大きい値に設定することはできません。diarize を無効にするか、num_speakers を 0 に設定する必要があります。

出力名	説明	データ型
`テキスト`	音声から文字起こしされたテキスト。	STRING
`言語コード`	音声の検出された言語コード。	STRING
`単語JSON`	タイムスタンプや、有効な場合は話者ラベルを含む、詳細な単語レベルの情報を含む JSON 形式の文字列。	STRING

このドキュメントは AI によって生成されました。エラーを見つけた場合や改善のご提案がある場合は、ぜひ貢献してください！ GitHub で編集

Source fingerprint (SHA-256): 7eb5d72615aa8a9e4a8014e45b39cf83dc8d8432d7ce0dccba20489be80a5830