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 |