En bref / Points clés
- Scribe v2 est le modèle de transcription par lots d'ElevenLabs ; Scribe v2 Realtime gère l'audio en direct en environ 150 ms.
- Prix API : 0,22 $ par heure d'audio pour Scribe v2, 0,39 $ pour le Realtime, sur tous les plans.
- Fonctionnalités : 90+ langues, étiquettes pour jusqu'à 32 locuteurs, horodatages au niveau du mot, mots-clés, balises d'événements audio.
- Fichiers jusqu'à 3 Go et 10 heures ; formats MP3, WAV, M4A, MP4, MOV et bien d'autres acceptés.
- Dans l'application web, la transcription utilise 330 crédits par minute de votre forfait.
Réponse courte : ElevenLabs convertit l'audio et la vidéo en texte avec ses modèles Scribe. Scribe v2 prend en charge les fichiers téléchargés, y compris MP3, dans plus de 90 langues, identifie jusqu'à 32 locuteurs et ajoute des horodatages au niveau du mot. Via l'API, cela coûte 0,22 $ par heure d'audio (0,39 $ pour Scribe v2 Realtime), et dans l'application web, cela utilise 330 crédits par minute de votre forfait. Les fichiers peuvent peser jusqu'à 3 Go et durer jusqu'à 10 heures.
Comment nous avons vérifié : les fonctionnalités, les limites et les prix proviennent de la page speech to text d'ElevenLabs, de la page de tarification de l'API et de la documentation speech to text, toutes vérifiées sur elevenlabs.io le 1er novembre 2026. Nous n'avons pas effectué notre propre test de précision. Certains liens sont des liens d'affiliation : si vous vous inscrivez, ElevenLabs peut nous verser une commission sans frais supplémentaires pour vous.
Les modèles Scribe
| Model | Use | API price per audio hour | Notes |
|---|---|---|---|
| Scribe v2 | Batch transcription of files | $0.22 | 90+ languages, diarization, timestamps, keyterms, entity detection |
| Scribe v2 Realtime | Live audio, agents, meetings | $0.39 | About 150ms latency, word-level timestamps, voice activity detection |
| Scribe v2 Medical | Clinical audio | $0.22 | HIPAA-eligible with BAAs and Zero Retention Mode |
Les modules complémentaires sont également facturés à l'heure : l'incitation par mots-clés (keyterm prompting) coûte 0,05 $ par heure sur Scribe v2 et 0,08 $ sur Realtime, et l'édition de transcription avec des instructions en langage naturel coûte 0,07 $ et 0,12 $. Le silence compte dans le temps facturé, donc supprimer les longs blancs avant le téléchargement permet d'économiser de l'argent.
Une incohérence à signaler : la FAQ sur la page speech-to-text d'ElevenLabs indique toujours que Scribe commence « à partir de 0,40 $ par heure », tandis que le tableau de tarification de l'API et sa FAQ indiquent tous deux 0,22 $. Nous utilisons le chiffre du tableau de tarification ; vérifiez la page en direct avant de budgétiser un gros projet.
Ce que Scribe v2 peut faire
- Plus de 90 langues, avec détection intelligente de la langue.
- Diarisation des locuteurs pour jusqu'à 32 personnes, afin que les interviews et les réunions soient étiquetées.
- Horodatages au niveau du mot pour les légendes et les sous-titres.
- Incitations par mots-clés (keyterm prompting) avec jusqu'à 1 000 mots ou expressions, utile pour les noms, les produits et le jargon.
- Étiquetage audio dynamique des événements non vocaux tels que les rires ou les pas.
- Détection et masquage d'entités d'informations sensibles via l'API.
- Mode multicanal pour jusqu'à 5 canaux, chacun étant assigné à son propre locuteur.
- Webhooks pour que les fichiers longs puissent être traités de manière asynchrone.
Comment transformer un MP3 ou une vidéo en texte
- Dans l'application : connectez-vous à ElevenLabs, ouvrez Transcription (speech to text), téléchargez votre fichier MP3, WAV, MP4 ou autre, choisissez la langue ou laissez-la en détection automatique, puis téléchargez la transcription ou exportez les sous-titres.
- Via l'API : créez une clé API, puis envoyez le fichier au point de terminaison Speech to Text avec
model_idréglé surscribe_v2. La réponse inclut le texte, la langue détectée, les mots avec horodatages et un identifiant de locuteur pour chaque mot.
Les formats audio acceptés sont AAC, AIFF, OGG, MP3, OPUS, WAV, FLAC, M4A et WebM. Les formats vidéo sont MP4, AVI, MKV, MOV, WMV, FLV, WebM, MPEG et 3GPP.
Limites
| Limit | Value |
|---|---|
| Max file size | 3GB |
| Max duration (standard mode) | 10 hours |
| Speakers labelled | Up to 32 |
| Multichannel | Up to 5 channels |
| Keyterms | Up to 1,000 |
| Concurrent transcriptions | 8 Free, 12 Starter, 20 Creator, 40 Pro, 60 Scale and Business |
Quelle quantité de transcription chaque forfait inclut-il
| Plan | Price | In the app (330 credits a minute) | Through the API (Scribe v2) |
|---|---|---|---|
| Free | $0 | 12 minutes (as listed) | about 4.5 hours |
| Starter | $6 | about 1 hour 31 minutes | 27 hours |
| Creator | $22 | about 6 hours 7 minutes | 100 hours |
| Pro | $99 | about 30 hours 18 minutes | 450 hours |
| Scale | $299 | about 90 hours | 1,359 hours |
| Business | $990 | about 303 hours | 4,500 hours |
L'écart entre les deux colonnes est réel : l'API facture la transcription à 0,22 $ par heure, tandis que l'application dépense les mêmes crédits que vous utilisez pour la synthèse vocale. Si vous transcrivez beaucoup, appeler l'API (ou un outil construit dessus) offre beaucoup plus d'heures par dollar. Dans l'application, les crédits couvrent également la synthèse vocale (text to speech), donc une transcription intensive laisse moins de place pour les voix off.
Précision : ce qu'ElevenLabs et les autres en disent
ElevenLabs revendique une précision de transcription supérieure à 98 % pour Scribe v2 et publie des graphiques la comparant favorablement aux modèles d'OpenAI, Google et Deepgram. Elle publie également les taux d'erreur par mot attendus selon la langue, allant de 5 % ou moins pour ses meilleurs niveaux jusqu'à 20 % à 50 % pour les langues les moins bien prises en charge. Les critiques indépendants sont plus prudents : DiscoverAI soutient que la précision dépend de vos locuteurs, du bruit et de la terminologie, et recommande d'effectuer des tests de performance sur votre propre audio. Telenow note que Scribe est exclusivement disponible sur le cloud, sans option auto-hébergée ou isolée (air-gapped).
Cet article vous plaît ? Recevez-en un comme celui-ci chaque matin.
un e-mail par jour · désinscription en deux clics · aucun traqueur tiers
À qui cela convient-il ?
- Les podcasteurs et créateurs de vidéos qui souhaitent obtenir des sous-titres et des transcriptions dans le même outil que leurs voix off.
- Les développeurs créant des agents vocaux ou des outils de réunion nécessitant une transcription en temps réel.
- Les équipes transcrivant de nombreuses langues, ou de l'audio clinique avec le modèle Medical et un BAA.
Si vous souhaitez principalement modifier un enregistrement en éditant sa transcription, Descript est conçu autour de ce flux de travail. Pour tout le reste, Scribe mérite d'être testé avec le plan gratuit avant de vous engager.
Foire aux questions
ElevenLabs peut-il convertir du MP3 en texte ?
Oui. Scribe accepte le format MP3 ainsi que les fichiers audio AAC, AIFF, OGG, OPUS, WAV, FLAC, M4A et WebM, et les fichiers vidéo MP4, MOV, MKV, AVI et autres. Téléchargez-les dans l'application web ou envoyez le fichier à l'API Speech to Text.
Combien coûte la transcription ElevenLabs ?
Via l'API, Scribe v2 coûte 0,22 $ par heure d'audio et Scribe v2 Realtime 0,39 $. L'utilisation de mots-clés (keyterm prompting) ajoute 0,05 $ par heure (0,08 $ pour le Realtime). Dans l'application, la transcription utilise 330 crédits par minute de votre forfait.
La transcription ElevenLabs est-elle gratuite ?
Le plan gratuit inclut une certaine quantité de transcription : la page speech-to-text indique 12 minutes par mois dans l'application, et la page de tarification de l'API mentionne environ 4,5 heures de Scribe v2 pour une utilisation gratuite de l'API. La sortie du plan gratuit ne peut pas être utilisée à des fins commerciales.
ElevenLabs Scribe identifie-t-il les différents locuteurs ?
Oui. Scribe v2 identifie jusqu'à 32 locuteurs (diarisation des locuteurs) et renvoie des horodatages au niveau du mot. Le mode multicanal peut également attribuer les locuteurs par canal audio, jusqu'à 5 canaux.
Combien de langues ElevenLabs Scribe prend-il en charge ?
ElevenLabs annonce plus de 90 langues, regroupées par taux d'erreur attendu. L'anglais, l'espagnol, le français, l'allemand, le japonais, l'italien et le portugais font partie de son meilleur niveau (taux d'erreur par mot de 5 % ou moins).
Quelle est la taille maximale de fichier pour la transcription ElevenLabs ?
3 Go par fichier et jusqu'à 10 heures d'audio en mode standard, selon la documentation d'ElevenLabs.