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
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
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~0267cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-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。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
144
1.93 K

deepin linux kernel
C
22
6

React Native鸿蒙化仓库
C++
192
274

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

🎉 (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
930
553

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

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
423
392

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
66

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
1.11 K
0

本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
64
511