Scribe v2

ElevenLabs の音声認識（文字起こし）モデルです。録音済みファイル向けの scribe_v2 と、リアルタイム向けの scribe_v2_realtime（遅延中央値 約150ms）があります。

• 90以上の言語に対応（日本語を含む）。1つのファイル内の複数言語を自動判別
• 話者分離（ダイアライゼーション）
• 字幕合わせに使える単語単位のタイムスタンプ
• キーターム指定（最大100語句）
• 個人情報・健康・決済など56分類の固有表現検出

医療向けに調整した scribe_v2_medical もあります。