核心用法
dlazy-elevenlabs-stt 是 dLazy AI 平台对 ElevenLabs Scribe_v1 语音转文字模型的封装技能，通过命令行界面提供企业级语音识别能力。
主要功能：
- 自动语种识别：支持 99 种语言，无需手动指定
- 说话人分离（Diarization）：可选开启多说话人识别，适合会议记录
- 灵活输入：支持音频 URL 或本地文件路径
- 异步任务：支持
--no-wait模式处理长音频
典型工作流：
# 基础转录 dlazy elevenlabs-stt --audio_url ./meeting.mp3 # 带说话人分离的会议记录 dlazy elevenlabs-stt --audio_url ./interview.wav --diarize true # 指定语言（或自动检测） dlazy elevenlabs-stt --audio_url ./podcast.mp3 --language_code en
显著优点
1. ElevenLabs 技术背书：Scribe_v1 是当前业界领先的语音识别模型之一，准确率对标 Whisper Large v3
2. 零本地计算：纯云端推理，无需 GPU，任何设备均可使用
3. 企业级安全：API Key 存储于 ~/.dlazy/config.json，权限隔离至 OS 用户级别
4. 成本可控：--dry-run 预估算费用，避免意外扣款
5. 管道友好：支持 stdin/stdout 管道引用（-、@N、@stdin 等）
潜在缺点与局限性
| 问题 | 说明 |
|------|------|
| **网络依赖** | 必须连接 `api.dlazy.com` 和 `files.dlazy.com`，无法离线使用 |
| **隐私顾虑** | 音频文件上传至第三方云存储，敏感内容需谨慎 |
| **计费不透明** | 按用量计费，但具体单价需查阅 dlazy.com 定价页 |
| **语言限制** | 虽然支持 99 种语言，但小语种准确率可能低于英语/中文 |
| **CLI 依赖** | 需要 Node.js 环境（`npm`/`npx`），增加了部署复杂度 |
适合人群
- 内容创作者：快速生成视频字幕，支持多说话人场景
- 企业会议记录员：批量处理会议录音，自动区分发言人
- 播客/访谈制作人：高精度转录长篇音频内容
- 开发者/自动化工作流：通过管道集成到 CI/CD 或数据处理管道
常规风险
1. 余额不足（503）：需预充值 credits，余额耗尽时任务失败
2. 认证失效（401）：API Key 可能被撤销或过期，需重新 dlazy login
3. 内容安全拦截：违反平台安全政策的音频会被拒绝处理
4. 长音频超时：默认 1800 秒超时，超长文件需使用 --no-wait 异步模式
5. 供应商锁定：深度依赖 dLazy 平台，迁移成本较高