「ElevenLabs Scribe」のご紹介：クラス最高のAI文字起こしモデル

SRTGen AI字幕ジェネレーターのメジャーアップグレードを発表できることを大変嬉しく思います。本日、ElevenLabs Scribe v2を当社のプラットフォームに正式に統合し、世界で最も正確で、ノイズに強く、精密な音声認識（STT）モデルの1つをご利用いただけるようになりました。

このアップデートにより、字幕作成設定に多段階モデル構造も導入します。当社の元の文字起こしモデルは変更なく、現在はBasic Tierとして指定され、新しいElevenLabs ScribeエンジンはプレミアムなPro Tierとして導入されます。

新しいモデルティアの理解

速度、精度、クレジットコストに関して最大限の柔軟性を提供するため、メディアを文字起こしする際に2つの異なるモデルティアから選択できるようになりました。

• Basic Tier (AssemblyAI Universal-2): これは、当社のオリジナルの、信頼性の高い文字起こしエンジンです。標準速度と一般的なコンテンツに最適化されています。オーディオがクリアで、英語または一般的なヨーロッパ言語である場合、Basic Tierは当社の標準クレジット料金で高速かつ正確なキャプションを取得するのに最適な選択肢です。
• Pro Tier (ElevenLabs Scribe v2): これは、当社の新しいプレミアム文字起こしエンジンです。ElevenLabs Scribeを搭載したPro Tierは、高度なローカリゼーションプロジェクト、ノイズの多いVlog、訛りの強いインタビュー、サブ秒単位のタイミングと高い精度が必須となる非ラテン語スクリプト向けに特別に構築されています。

ElevenLabs Scribeとは？

ElevenLabs Scribeは、音声認識において人間のような精度を実現するように設計された最先端の音声認識モデルです。何百万時間もの高品質な多言語音声データでトレーニングされており、Scribe v2は標準的な文字起こしツールが苦手とする複雑な音響の詳細を文字起こしするのに優れています。

このモデルをSRTGenにPro Tierとして導入することで、プロのクリエイター、映画制作者、UGCエディターに、現在市場で入手可能な最高レベルの精度を提供します。

ElevenLabs Scribe（Pro Tier）が優れている理由

Pro Scribe v2モデルが次の字幕プロジェクトにとって究極の選択肢である主な理由は以下の通りです。

1. 非ラテン語における比類のない精度

標準的なASRモデルは、多くの場合、西洋のラテン語スクリプトのオーディオに重点を置いてトレーニングされており、他の地域では高い単語エラー率につながります。Scribeはグローバルな展開を念頭にゼロから構築されており、以下の非ラテン語スクリプトに対して卓越した精度を提供します。

• アジア言語: 中国語（標準語/広東語）、日本語、韓国語、ヒンディー語、タイ語、ベトナム語など。
• 中東言語: アラビア語、ヘブライ語、ペルシャ語など。

東アジアまたは中東市場向けにコンテンツをローカライズする場合、Scribeはスペルミスや不正確な文字レンダリングを大幅に削減します。

2. サブ秒単位のタイムスタンプ精度

高品質な字幕アニメーション（当社のバイラルなカラオケスタイルのエフェクトなど）では、タイミングがすべてです。ハイライトアニメーションがオーディオから少しでも遅れると、視聴者の没入感が損なわれます。Scribe v2は、正確な単語レベルのアライメントを提供し、ほとんどすべての音節を実際の音声ウィンドウから100ミリ秒以内に同期させます。これにより、非常にスムーズで同期された字幕の流れが実現します。

3. 高度なノイズおよびアクセント耐性

実際のオーディオは、防音スタジオで録音されることはめったにありません。Scribeは以下を簡単に処理します。

• 騒がしい屋外環境（Vlog、街頭インタビュー）。
• 背景音楽や効果音が大きいビデオ。
• 強い地域訛りのある話者や、速い対話ペース。

音響的な静的ノイズを除去し、実際の音声を最小限の誤差で正確に文字起こしします。

4. インテリジェントなフィラーワード（つなぎ言葉）のクリーンアップ

会話では、人々は自然に「えーと」「あのー」「〜みたいな」「〜だよね」といったような不流暢な言葉（フィラーワード）を混ぜて話します。Scribeには、スマートなフィラーワードクリーンアップオプションが含まれています。SRTGenで「フィラーワードを削除」をオンにすると、no_verbatimオプションを直接ElevenLabsに渡し、不要なものを瞬時に取り除き、クリーンで公開準備のできた字幕テキストが得られます。

5. 複数話者ダイアライゼーション

Scribeは、異なる話者が話しているタイミングを自動的に識別します（最大32の異なる音声をサポート）。会話を明確な話者ラベル付き字幕カードに分割し、当社のプロフェッショナルな字幕エディターで簡単に色やグループ名を割り当てることができます。

SRTGenでElevenLabs Scribeを使用する方法

新しいモデルの使用は簡単です。

1. SRTGenワークスペースを開き、「新規プロジェクト」をクリックします。
2. ビデオまたはオーディオファイルをアップロードします。
3. 「文字起こしAIモデル」の下で、「Pro」オプション（ElevenLabs Scribeを搭載）を選択します。元のモデルを使用するには、「Basic」を選択します。
4. オプション設定（フィラーワードを削除やオーディオイベントをタグ付けなど）を構成し、「字幕を生成」をクリックします。

利用可能性

Pro ElevenLabs Scribeモデルは、すべてのStarter、Pro、およびBusinessサブスクリプションプランで直ちにご利用いただけます。Scribe v2は、統合された月間クォータからクレジットを消費するため、大量のビデオ制作に合わせて簡単にスケールアップできます。

次世代の音声認識精度を体験してください。SRTGenワークスペースにアクセスして、今すぐElevenLabs Scribeをお試しください！