核心用法
ElevenLabs Speech-to-Text 是一款基于 ElevenLabs Scribe API 的语音转文本工具，提供三种主要输入方式：本地文件批量处理、URL 实时流和麦克风实时输入。脚本封装为 Shell 接口，底层依赖 Python 和 ffmpeg 处理音视频格式。
基础命令结构：
{baseDir}/scripts/transcribe.sh <file> [options] # 批量模式
{baseDir}/scripts/transcribe.sh --url <stream> # 流式模式
{baseDir}/scripts/transcribe.sh --mic # 麦克风模式关键功能选项：
--diarize：说话人分离，识别不同说话者--json：输出带时间戳的完整 JSON 结构--events：标记笑声、音乐、掌声等音频事件--partials：实时模式显示中间结果--quiet：静默模式，适合 AI Agent 调用
输出格式： 默认纯文本，--json 时返回结构化数据包含 words 数组（每个词的起止时间、说话人 ID）。
显著优点
1. 多语言支持：覆盖 90+ 种语言，自动检测语言并返回置信度
2. 格式兼容性广：支持 3GB/10小时以内的 MP3/WAV/M4A/FLAC/OGG 等音频，以及 MP4/AVI/MKV 等视频直接提取
3. 实时场景完善：流媒体 URL 和麦克风输入均可实时转录，延迟可控
4. 专业级标注：说话人分离（diarization）和音频事件标记能力超越基础 ASR 工具
5. Agent 友好：--quiet 模式仅输出转录内容到 stdout，便于脚本管道化处理
潜在局限
1. 商业 API 依赖：必须持有 ElevenLabs API Key，按用量计费，高频使用成本需评估
2. 网络强依赖：所有处理均走云端 API，离线环境无法使用
3. 隐私边界：音频数据上传至第三方服务器，敏感会议/医疗场景需合规审查
4. 本地资源开销：ffmpeg 和 Python 依赖必须预装，首次运行自动安装 Python 包可能延迟
5. 流控限制：未明确标注速率限制，大文件或高频实时流可能触发限流
适合人群
- 内容创作者：播客、视频字幕自动化生成
- 会议效率工具用户：需要说话人分离的会议纪要场景
- 多语言团队：跨国会议实时翻译预处理
- AI Agent 开发者：构建语音交互机器人，需
--mic --quiet模式获取用户输入
常规风险
| 风险类型 | 说明 | 缓解建议 |
|---------|------|---------|
| API 密钥泄露 | `ELEVENLABS_API_KEY` 环境变量暴露 | 使用密钥管理服务，避免 hardcode |
| 数据传输隐私 | 音频上传至 ElevenLabs 云端 | 确认服务条款，敏感内容考虑本地 ASR 替代方案 |
| 成本失控 | 长音频/高频实时流费用累积 | 设置 API 用量告警，长文件优先用批量模式 |
| ffmpeg 安全性 | 处理不可信视频文件时潜在漏洞 | 隔离运行环境，限制输入文件来源 |