ElevenLabsSpeechToText - ComfyUI Built-in Node Documentation

Complete documentation for the ElevenLabsSpeechToText node in ComfyUI. Learn its inputs, outputs, parameters and usage.

以下が翻訳結果です。

ElevenLabs Speech to Text ノードは、オーディオファイルをテキストに文字起こしします。ElevenLabs の API を使用して、音声を書き起こしテキストに変換します。自動言語検出、話者の識別、音楽や笑い声などの非音声サウンドのタグ付けなどの機能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
音声	文字起こしするオーディオ。	AUDIO	はい	-
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。	COMBO	はい	"scribe_v2"
tag_audio_events	文字起こし内で (笑い声)、(音楽) などの音を注釈します。このパラメータは、"scribe_v2" モデルが選択されたときに表示されます。(デフォルト: False)	BOOLEAN	いいえ	-
diarize	どの話者が話しているかを注釈します。このパラメータは、"scribe_v2" モデルが選択されたときに表示されます。(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、話者の変更に敏感になります。このパラメータは、"scribe_v2" モデルが選択され、diarize が有効な場合に表示されます。(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増します。このパラメータは、"scribe_v2" モデルが選択されたときに表示されます。(デフォルト: 0.0)	FLOAT	いいえ	0.0 - 2.0
timestamps_granularity	文字起こしの単語に対するタイミングの精度。このパラメータは、"scribe_v2" モデルが選択されたときに表示されます。(デフォルト: “word”)	COMBO	いいえ	"word" "character" "none"
言語コード	ISO-639-1 または ISO-639-3 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	予測する話者の最大数。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

注: diarize オプションが有効な場合、num_speakers パラメータを 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

出力名	説明	データ型
言語コード	オーディオから文字起こしされたテキスト。	STRING
単語JSON	検出されたオーディオの言語コード。	STRING
words_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): aca2ac04d7280ef2b604f7c8d29ad7fea1e7abcfc38beabb64ba6b268a8cade1