核心用法
dlazy-elevenlabs-stt 是 dLazy 平台提供的 ElevenLabs Scribe v1 语音转文字服务封装，通过 CLI 工具调用云端 API 实现高质量语音识别。核心功能包括：
- 自动语种识别：默认中文（zh），支持英文（en），可自动检测或手动指定
- 说话人分离（Diarization）：可选启用多说话人区分，适合会议记录场景
- 灵活输入：支持本地音频文件路径或 URL 直接传入
- 异步任务：
--no-wait模式支持大文件后台处理，通过generateId轮询状态
基础调用：
dlazy elevenlabs-stt --audio_url /path/to/audio.mp3 --language_code zh --diarize true
高级特性：支持管道引用（-, @N, @N.path 等）实现工作流串联；--dry-run 可预估费用不实际调用。
显著优点
1. ElevenLabs 底层质量：基于 Scribe v1 模型，语音识别准确率在业界处于第一梯队
2. 零本地算力依赖：纯云端推理，终端设备仅需 Node.js 环境
3. 说话人分离实用：会议、访谈、播客等多人场景自动标注发言人
4. CLI 体验统一：与 dLazy 生态其他技能一致的认证流（dlazy login 设备码授权，无需手动复制 key）
5. 输出结构化：JSON 格式包含完整元数据，便于下游自动化处理
潜在缺点与局限性
- 网络依赖：必须连接 dLazy API，无法离线使用
- 文件上传成本：本地文件需上传至
files.dlazy.com，大文件受带宽和存储限制 - 商业 API 计费：按调用量计费，无免费额度说明；余额不足时任务失败（错误码 503）
- 语种覆盖有限：目前仅明确支持 zh/en，其他语种需验证
- speaker diarization 准确率波动：多人重叠、口音、噪声场景下分离效果可能下降
- vendor lock-in：绑定 dLazy 平台，无法直接对接原生 ElevenLabs API 或其他厂商
适合人群
- 内容创作者（自动生成字幕、播客转录稿）
- 企业会议记录整理（需说话人分离）
- 翻译/本地化团队（音频转写后进入下游流程）
- 已有 dLazy 账号、追求一体化 CLI 工作流的技术用户
常规风险
| 风险类别 | 具体说明 |
|---------|---------|
| **认证安全** | API key 存储于 `~/.dlazy/config.json`，文件权限限制为 OS 用户级，但仍需防范设备丢失/多用户环境 |
| **数据隐私** | 音频文件上传至 dLazy 云端处理，敏感内容需评估服务商数据条款 |
| **计费失控** | 无内置预算上限，大文件/高频调用可能导致意外扣费；建议结合 `--dry-run` 预估 |
| **服务可用性** | 依赖 dLazy 平台稳定性，错误码 504 提示异步任务可能失败，需人工重试或状态轮询 |
| **CLI 供应链** | 通过 npm/npx 安装 `@dlazy/cli`，需信任 dlazyai 发布的包及依赖树 |