ElevenLabs Speech-to-Text

核心用法

ElevenLabs Speech-to-Text 是基于 Scribe v2 模型的语音转录技能，通过简单的 shell 脚本调用 ElevenLabs API，将音频/视频文件转换为文本。支持本地路径直接处理，提供说话人分离（diarization）、语言指定、JSON 时间戳输出、音频事件标记（如笑声、音乐）等进阶功能。

典型工作流

1. 基础转录：直接传入音频文件路径，快速获取纯文本结果
2. 会议场景：启用 --diarize 区分不同说话人，配合 --lang 提升特定语言识别准确度
3. 内容创作：使用 --json 获取带单词级时间戳的结构化数据，便于后期剪辑对齐
4. 多模态分析：--events 标记非语音事件，适用于播客、访谈内容理解

显著优点

• 模型质量：ElevenLabs Scribe v2 在多个公开基准测试中位列第一梯队，尤其在嘈杂环境、口音多样性场景下表现优异
• 语言覆盖：官方宣称支持 90+ 语言，对中文、日语等非拉丁语系识别效果较 Whisper 有提升
• 原生说话人分离：无需外部工具链，单一 API 调用即可获得带 speaker 标签的转录结果
• 格式兼容：内置处理 mp3, m4a, wav, ogg, webm, mp4 等主流音视频格式，减少预处理步骤
• 事件感知：可选标记笑声、掌声、音乐等非语音事件，提升内容结构化程度

潜在缺点与局限性

• 成本门槛：ElevenLabs API 按分钟计费，高频使用或长音频场景成本显著高于开源方案（如 Whisper.cpp 本地部署）
• 网络依赖：必须联网调用云端 API，无法离线使用，敏感音频存在上传合规风险
• 时间戳精度：单词级时间戳虽可用，但精度受音频质量影响，专业级对齐仍需人工校验
• 环境配置单一：仅支持环境变量或 JSON 配置文件注入 API Key，缺乏密钥管理工具（如 macOS Keychain）集成

适合人群

• 内容创作者：播客制作者、视频博主需要快速获取带时间戳的字幕稿
• 企业用户：会议记录、访谈整理，需原生支持多人说话人分离
• 多语言团队：跨国会议转录，依赖小语种识别准确度
• 开发集成：需将转录能力嵌入自动化工作流（CI/CD 生成视频字幕、客服录音分析）

常规风险

| 风险类型 | 说明 | 缓解建议 |

|---------|------|---------|

| **数据隐私** | 音频上传至 ElevenLabs 云端 | 避免处理含 PII、医疗、金融敏感信息的录音；审阅 ElevenLabs DPA 条款 |

| **API 密钥泄露** | 环境变量或明文 JSON 存储 | 使用秘密管理工具（如 1Password CLI、AWS Secrets Manager）注入 |

| **成本失控** | 长音频/高频调用产生意外账单 | 设置用量告警，测试阶段先用短音频验证 |

| **服务可用性** | 依赖第三方云服务商 SLA | 关键业务配置降级方案（本地 Whisper 备用） |

| **输出质量波动** | 专业术语、极快语速识别率下降 | 对关键内容保留人工校对环节 |

核心功能与用法

elevenlabs-stt 是一款基于 ElevenLabs Scribe v2 模型的语音转文本 Skill，通过简洁的 Bash 脚本封装官方 API，支持 90+ 种语言的音频转录。核心用法极为直观：

{baseDir}/scripts/transcribe.sh /path/to/audio.mp3          # 基础转录
{baseDir}/scripts/transcribe.sh audio.mp3 --diarize       # 说话人分离
{baseDir}/scripts/transcribe.sh audio.mp3 --json          # 完整时间戳输出

关键参数包括 --diarize（识别不同说话人）、--lang（指定 ISO 语言代码提升准确率）、--events（标记笑声/音乐等音频事件）以及 --json（输出含单词级时间戳的完整 JSON）。支持 mp3、m4a、wav、ogg、webm、mp4 等主流音视频格式，无需本地预处理。

显著优点

1. 模型质量领先：Scribe v2 在语音识别基准测试中表现优异，支持自动语言检测与专业术语识别
2. 功能完整：说话人分离（diarization）与音频事件标记功能通常需额外付费，此处一体化提供
3. 零依赖负担：仅依赖系统命令 curl 和 jq，无 Python/Node.js 等运行时环境要求
4. 配置灵活：API Key 可通过环境变量或 JSON 配置文件注入，无硬编码风险

局限性与风险

T3 来源可信度：维护者 clawdbotborges 为个人开发者账号，非 ElevenLabs 官方或知名机构背书。虽代码审计无恶意指标，但需持续关注更新动态，建议在关键场景 Fork 后内部维护。

外部 API 依赖：所有处理均在 ElevenLabs 云端完成，涉及音频数据跨境传输，对隐私敏感场景需评估合规性。API 调用按用量计费，大文件或高频使用可能产生显著成本。

功能边界：仅为 API 薄封装层，无离线处理能力、无本地模型、无批量队列管理，复杂工作流需自行编排。

适合人群

• 追求转录质量优先于数据本地化的个人用户与中小团队
• 已有 ElevenLabs 账户、愿为 API 付费换取开箱即用体验的用户
• 需要快速集成说话人分离功能的播客制作、会议纪要场景

常规风险提示

• 确保 ELEVENLABS_API_KEY 存储于安全环境变量或密钥管理系统，避免泄露于共享环境
• 生产环境建议增加输入文件格式与大小验证，防止异常请求
• 音频文件含敏感内容时，需确认 ElevenLabs 数据处理协议符合所在司法辖区要求