elevenlabs-stt

核心用法

ElevenLabs Scribe V2 语音转文字技能通过 MCP 工具调用 fal.ai 托管的 ElevenLabs 模型，实现高质量的语音识别与转录。用户只需提供音频文件 URL，即可提交异步任务并获取包含时间戳、说话人标识的精细化转录结果。

主要工作流程分为两步：首先调用 submit_task 提交任务，指定音频 URL 及可选参数（语言代码、说话人分离、音频事件标注、专业术语关键词）；随后通过 get_task 轮询任务状态，获取最终转录文本。支持 mp3、ogg、wav、m4a、aac 等主流音频格式，覆盖英语、中文、日语、韩语等 32 种语言。

显著优点

1. 高精度识别：ElevenLabs Scribe V2 是当前业界领先的 STT 模型之一，在多个基准测试中表现优异，尤其擅长处理多人对话场景。

2. 丰富的结构化输出：不仅返回完整文本，还提供逐词时间戳、说话人分离标识（speaker_0/speaker_1 等）、音频事件标注（笑声、掌声、音乐等），便于后续编辑与分析。

3. 专业术语优化：通过 keyterms 参数可预置最多 100 个专业术语，显著提升医疗、法律、技术等领域特定词汇的识别准确率。

4. 灵活的异步架构：任务提交与结果查询分离，适合处理长音频文件，避免阻塞式等待。

5. 透明定价：按分钟计费（4-5 积分/分钟），无隐藏费用，最低计费 1 分钟。

潜在缺点与局限性

1. 网络依赖性强：完全依赖 fal.ai 和 ElevenLabs 的外部服务，若平台出现故障或网络中断，服务将不可用。

2. 音频 URL 隐私风险：用户需提供可公开访问的音频 URL，无法直接上传本地文件，敏感音频需先上传至私有存储并配置临时访问链接。

3. 计费累积风险：长音频（如 2 小时会议）将产生约 480-600 积分的费用，高频使用成本较高。

4. 异步等待成本：任务处理时间随音频长度线性增长，实时性要求高的场景体验受限。

5. 语言自动检测非最优：虽然支持自动检测，但明确指定 language_code 可提升准确度，增加了用户操作复杂度。

适合的目标群体

• 企业会议记录员：需要生成带说话人标识的会议纪要
• 播客与视频创作者：批量生成字幕与时间轴
• 学术研究人员：转录访谈录音、田野调查音频
• 医疗与法律从业者：利用 keyterms 优化专业术语识别
• 多语言内容团队：处理跨语言音频素材

使用风险

1. 服务可用性风险：第三方 API 可能出现延迟或故障，建议实现重试机制
2. 数据合规风险：音频 URL 传输至境外服务器（ElevenLabs 为美国公司），需评估数据跨境合规要求
3. 成本控制风险：未设置用量上限，意外提交超长音频可能导致高额账单
4. URL 失效风险：若音频 URL 在任务处理前过期，将导致任务失败