תמלול

רכיב תמלול הופך דיבור לטקסט. מחברים אליו אודיו או סרטון, והרכיב מחזיר את התמלול פעמיים: כטקסט רגיל, וכתמלול בפורמט מובנה עם התזמון של כל מילה. אפשר לבחור בין שלושה מנועים, והם נבדלים בדבר אחד שחשוב לכתוביות: אם הם מחזירים תזמון לכל מילה.

מתי להשתמש

• לתמלל ראיון או פודקאסט כדי ליצור מהם תוכן כתוב.
• ליצור כתוביות מהסאונד של סרטון, בעזרת רכיב הוספת כתוביות.
• להפוך הקלטות קוליות והקלטות של פגישות לטקסט.
• להפוך ספריית אודיו לטקסט שאפשר לחפש בו.
• להזין תמלול לרכיב טקסט כדי לסכם או לנתח אותו.
• לתת לרכיב תוכנית עריכה את התמלול המתוזמן שהוא צריך כדי לתכנן עריכה.

התחלה מהירה

קלט ופלטים

כדי לתמלל סרטון מקישור לדף שבו הוא נמצא, חברו רכיב כתובת וידאו. רכיב כתובת וידאו מבקש את הצהרת זכויות התוכן ומוריד את רצועת האודיו, ורכיב תמלול מתמלל את הרצועה הזו. קישור לדף של סרטון שמגיע לרכיב תמלול בדרך אחרת עוצר הרצה בעורך, וההודעה מציינת זאת.

בפרומפט, כתיבת התווית של הרכיב בסוגריים מסולסלים, כגון {Transcribe}, מכניסה את הטקסט הרגיל.

הגדרות

תיבות הסימון זיהוי דוברים ותיוג אירועי אודיו לא תלויות זו בזו: אפשר לסמן אחת מהן, את שתיהן או אף אחת.

מודלים

תזמון מילים: איזה מנוע מחזיר אותו

אם ElevenLabs STT או Incredibly Fast Whisper לא מחזירים תזמון לכל מילה לאודיו שברור שיש בו דיבור, ההרצה נכשלת והקרדיטים מוחזרים. הרצה על אודיו שאין בו דיבור בכלל מצליחה בכל זאת, בלי מילים, למשל קליפ שהתמלול שלו הוא [music] (מוזיקה).

התמלול בפורמט המובנה

הפלט תמלול נראה כך:

{
  "version": 1,
  "language": "en",
  "words": [
    { "text": "Welcome", "startMs": 0, "endMs": 420 },
    { "text": "back", "startMs": 460, "endMs": 700 }
  ],
  "segments": [
    { "startMs": 0, "endMs": 700, "text": "Welcome back" }
  ]
}

• כל הזמנים הם מספרים שלמים של אלפיות שנייה.
• השדה words כולל כל מילה עם ההתחלה והסוף שלה. השדה מתמלא בכל פעם שהמנוע מחזיר תזמון לכל מילה.
• השדה segments כולל יחידות גדולות יותר, משפטים או חלקי משפטים, כשהמנוע מספק אותן.
• בהרצה עם זיהוי דוברים, לכל מילה ולכל מקטע יש גם speaker. למילה יכול להיות גם confidence.

בפלט טקסט, התיבה זיהוי דוברים מוסיפה תוויות כגון Speaker 1: (דובר 1:) לפני כל מקטע, והתיבה תיוג אירועי אודיו מוסיפה תגים כגון [music] (מוזיקה) ו-[laughter] (צחוק) במקום שבו הצלילים נשמעים.

יצירת כתוביות מתמלול

חברו את הפלט תמלול לקלט התמלול של רכיב הוספת כתוביות. רכיב הוספת כתוביות יוצר אז כתוביות שמתוזמנות לכל מילה. לשם כך, השתמשו ב-ElevenLabs STT או ב-Incredibly Fast Whisper.

תמלול של Whisper לא יכול לשמש לכתוביות. כשרכיב תמלול שעובד עם Whisper מזין רכיב הוספת כתוביות, ההרצה נדחית עוד לפני שמשהו רץ ולפני כל חיוב, עם ההודעה הזו:

Captions need word timings, but the "whisper" engine does not return word timings — pick incredibly-fast-whisper or elevenlabs-stt.

• הבדיקה מכסה גם שרשרת שעוברת דרך רכיב החלת רשימת עריכה, ושרשראות בתוך תת־תהליך בכל עומק.
• חלונית ההגדרות מציגה את אותה אזהרה ליד ההגדרה ספק ברגע שהחיבור קיים, כך שאפשר לתקן את הבעיה לפני ההרצה.
• הרצה של רכיב תמלול לבדו אף פעם לא נחסמת. אין שום בעיה עם תמלול של Whisper שמגיע לכל מקום אחר.
• מקרה אחד אי אפשר לבדוק מראש: שרשרת שבה רכיב תמלול ורכיב הוספת כתוביות נמצאים משני צדי הגבול של תת־תהליך. הרצה כזו נכשלת ברכיב הוספת כתוביות, אחרי שהתמלול כבר רץ והקרדיטים עליו נגבו.

קרדיטים

רכיב תמלול גובה מחיר קבוע לכל הרצה, בלי קשר לאורך האודיו:

על בקשה שנדחית לפני שהיא מתחילה, כגון תמלול של Whisper שמחובר לרכיב הוספת כתוביות, אין חיוב.

בהתקנה באירוח עצמי

כל מנוע רץ עם מפתח הספק שלכם. כשאין מפתח למנוע שנבחר ולהתקנה יש חיבור ל-Nodaro Cloud, התמלול רץ דרך החיבור. כשאין אף אחד מהם, הרכיב נכשל עם הודעה שמציינת איזה מפתח להוסיף. ראו את הדף מפתחות ספק.

טיפים

• השאירו את השפה על זיהוי אוטומטי. בחרו שפה רק כשאתם יודעים מהי, למשל כששתי שפות נשמעות דומות.
• סמנו דוברים בשיחות. בראיונות, בפגישות ובפודקאסטים, סמנו את התיבה זיהוי דוברים.
• תייגו אירועים כשהם חשובים. סמנו את התיבה תיוג אירועי אודיו כשצלילי הרקע עוזרים להבין את ההקלטה.
• נקו קודם אודיו רועש. העבירו את ההקלטה דרך רכיב מחלץ קול לפני רכיב תמלול.
• פצלו אודיו ארוך מאוד. קטעים קצרים יותר מתומללים באמינות רבה יותר. רכיב פיצול למקטעים חותך קובץ ארוך לחלקים שהאורך שלהם בין מינימום למקסימום, ורכיב תמלול רץ פעם אחת על כל חלק.
• יישרו במקום זאת תסריט משלכם. כשהתסריט המדויק כבר בידיכם, רכיב יישור מאולץ מתזמן כל מילה שלו לפי האודיו.

דרך ה-API

הנתיב POST /v1/transcribe מקבל את audioUrl, ואת הפרמטרים האופציונליים provider (elevenlabs-stt, incredibly-fast-whisper או whisper), language, diarize, tagAudioEvents ו-wordTimestamps.

• קישור לדף של סרטון. ערך של audioUrl שמקשר לדף של סרטון ברשת חברתית הוא ייבוא של הקישור הזה: Nodaro מוריד קודם את הסאונד שלו. שלחו את ה-confirmationId שקיבלתם מ-POST /v1/content-rights/confirm לקישור הזה. בלי מזהה כזה, פריסה שדורשת אישור דוחה את הבקשה עם 403 עוד לפני שהמשימה נוצרת. מפתח או סוכן שלחשבון שלהם יש הרשאה קבועה לא צריכים מזהה כזה, וגם קישור ישיר לקובץ לא צריך. ראו את דף ה-API זכויות תוכן.

• ציינו את המנוע. בקשה בלי provider רצה על Whisper, כך שמי שכבר קורא לנתיב ממשיך לקבל את אותו מנוע. הגדירו את provider בכל פעם שאתם צריכים תזמון לכל מילה, diarize או tagAudioEvents.

• תזמון מילים. המנוע incredibly-fast-whisper מחזיר מילים רק עם wordTimestamps: true. בקשה עם wordTimestamps: true על whisper נדחית עם 400 validation_error לפני שהמשימה נוצרת, ולכן אין חיוב. המנוע אף פעם לא מוחלף בשקט.

• כתוביות. השדה output_data.words של המשימה שהסתיימה כבר בנוי במבנה של כתוביות (text, startMs, endMs). העבירו אותו ל-POST /v1/add-captions בתור captions, ורכיב הוספת כתוביות לא יתמלל שוב.

• מחיר. הנתיב GET /v1/credits/model-cost?model=<engine> מחזיר את המחיר המדויק לחשבון שלכם.

המתודה ב-SDK היא client.audio.transcribe, והפקודה ב-CLI היא nodaro audio transcribe --provider <engine>. כלי ה-MCP transcribe תמיד מריץ את ElevenLabs STT, ולכן בתוצאה שלו תמיד יש תזמון לכל מילה. ראו את דף ה-API קול ומדיה.