اگر مدیریت جلسات شلوغ با ده‌ها شرکت‌کننده برایتان کابوس است، ابزار جدید ElevenLabs دقیقاً برای حل همین مشکل ساخته شده است. این ابزار دیگر به شما نمی‌گوید «چه کسی چه گفت»، بلکه یک نقشه دقیق و زمان‌بندی‌شده از تمام اتفاقات صوتی ارائه می‌دهد.
شرکت ElevenLabs در ۲۹ اوت ۲۰۲۶ محصول Scribe را معرفی کرد. این ابزار برخلاف تبدیل‌های متنی ساده، روی «نسبت دادن جملات به گوینده» و «زمان‌بندی دقیق» تمرکز دارد. در واقع، Scribe از تبدیل صوت به متن (ASR) — شبیه به یک منشی فوق‌سریع که هم‌زمان با حرف زدن شما، هر کلمه را با نام گوینده و ثانیه‌ی دقیق ثبت می‌کند — استفاده می‌کند تا داده‌های ساختاریافته تولید کند. این پیشرفت در ادامه‌ی تلاش‌های این شرکت برای بهینه‌سازی سرعت است که در نسخه‌ی v2 منجر به کاهش تأخیر به ۱۵۰ میلی‌ثانیه شد تا تجربه تبدیل زنده بهبود یابد.
طبق اعلام این شرکت, Scribe در بازاری وارد شده است که تولیدکنندگان محتوا نیاز دارند صدای چندین نفر را در یک فایل پیچیده از هم تشخیص دهند. تصور کنید در یک میزگرد شلوغ، شناسایی اینکه هر جمله متعلق به کدام متخصص است، به اندازه خودِ کلمات اهمیت دارد. این رقابت در حوزه دقت تبدیل گفتار، در حالی رخ می‌دهد که گوگل نیز اخیراً نرخ خطای تبدیل خود را به ۲.۶٪ رسانده است تا استانداردهای جدیدی را در این صنعت تعریف کند.
بر اساس مستندات صفحه محصول، Scribe قابلیت‌های فنی متراکمی را ارائه می‌دهد:
- شناسایی گوینده: برچسب‌گذاری تا ۳۲ گوینده مجزا.
- برچسب‌گذاری رویداد: شناسایی خودکار اتفاقات غیرگفتاری مانند خنده و تشویق.
- پشتیبانی زبانی: تبدیل بیش از ۹۰ زبان با تشخیص خودکار.
- خروجی‌های متنوع: پشتیبانی از فرمت‌های TXT، DOCX، PDF، SRT، VTT، JSON و HTML.
همان‌طور که در تحلیل قبلی ما درباره‌ی اکوسیستم ابزارهای صوتی اشاره کردیم، دقت در تفکیک گوینده‌ها همواره نقطه ضعف مدل‌های باز بود. کاربران اکنون می‌توانند فایل‌های MP3، WAV، M4A و فرمت‌های رایج ویدئویی را آپلود کنند. ویرایشگر داخلی Scribe اجازه می‌دهد کلمات را اصلاح کنید، بخش‌ها را ادغام کنید و برچسب گوینده را تغییر دهید، در حالی که زمان‌بندی هر کلمه حفظ می‌شود.
از نظر هزینه‌ای، این سرویس بر پایه اعتبار (Credit) کار می‌کند. طبق گزارش ElevenLabs، طرح رایگان ۱۰,۰۰۰ اعتبار می‌دهد، در حالی که طرح‌های پولی از ۶ دلار (۳۰,۰۰۰ اعتبار) تا ۹۹۰ دلار (۶ میلیون اعتبار) متغیر است. هزینه هر دقیقه تبدیل صوت به متن تقریباً ۳۳۰ اعتبار است؛ موضوعی که در گزارشات قبلی ما درباره‌ی ساختار هزینه‌ای Scribe به تفصیل بررسی شده بود.
این حرکت نشان می‌دهد ElevenLabs در حال عبور از تولید صدای مصنوعی به سمت مدیریت کامل چرخه حیات صوت است. با استخراج داده‌های ساختاریافته، آن‌ها ویرایش و زیرنویس‌گذاری برای ضبط‌های حساس شرکتی و دانشگاهی را تسهیل می‌کنند.
گام بعدی شما
- فرمت‌های ضبط فعلی خود و تعداد گویندگان جلساتتان را با صفحه قیمت Scribe تطبیق دهید.
- برای پروژه‌هایی که نیاز به خروجی JSON دارند، Scribe را برای اتوماسیون زیرنویس‌ها تست کنید.
- اگر از ابزارهای رایگان استفاده می‌کنید، محدودیت ۱۰ هزار اعتباری را برای تخمین هزینه‌های ماهانه بررسی کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو