ElevenLabs Python SDK语音转文字功能中additional_formats参数的正确使用方法
2025-06-30 03:28:39作者:霍妲思
在语音处理领域,将音频转换为文字并生成多种格式的字幕文件是常见需求。ElevenLabs Python SDK的speech_to_text功能提供了这一能力,但开发者在使用additional_formats参数时可能会遇到类型错误问题。
问题现象
当开发者尝试使用additional_formats参数导出SRT等字幕格式时,系统会抛出TypeError,提示"Invalid type for value. Expected primitive type, got <class 'dict'>"。这表明SDK在处理参数时遇到了类型不匹配的问题。
根本原因
这个问题源于HTTP请求构建过程中对复杂数据类型的处理方式。HTTP协议本身对multipart/form-data格式的数据传输有严格要求,当遇到嵌套的字典结构时,标准的HTTP客户端库无法自动将其序列化为有效的表单数据。
解决方案
正确的做法是将additional_formats参数转换为JSON字符串格式。以下是具体实现方法:
import json
from elevenlabs import speech_to_text
transcription = await client.speech_to_text.convert(
file=buffer,
model_id='scribe_v1',
tag_audio_events=True,
timestamps_granularity="word",
diarize=True,
request_options=RequestOptions(timeout_in_seconds=180),
language_code=iso639_1_to_2(language),
additional_formats=json.dumps([{
"format": "srt",
"max_characters_per_line": 40,
"include_speakers": True,
"include_timestamps": True,
"segment_on_silence_longer_than_s": 1.1,
"max_segment_chars": 80
}])
)
技术细节
-
参数序列化:通过json.dumps()方法将字典结构转换为JSON字符串,确保数据能够被HTTP客户端正确处理。
-
格式规范:additional_formats接受一个数组,每个元素代表一种导出格式的配置。对于SRT格式,可配置参数包括:
- 每行最大字符数
- 是否包含说话人信息
- 是否包含时间戳
- 静音分段阈值
- 段落最大字符数
-
多格式支持:如果需要同时导出多种格式,只需在数组中添加多个配置对象即可。
最佳实践
- 始终对复杂参数进行JSON序列化
- 在开发环境中先测试小片段音频
- 合理设置超时参数,特别是处理长音频时
- 根据目标语言选择合适的语言代码
通过遵循这些指导原则,开发者可以充分利用ElevenLabs Python SDK强大的语音转文字功能,同时避免常见的参数处理问题。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~046CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0301- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
176
262

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
863
511

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
259
300

deepin linux kernel
C
22
5

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
596
57

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
332
1.08 K