AI 语音转文字，实时精准多语言

ElevenLabs 官方语音识别技能，支持 90+ 语言、说话人分离、实时流式转录，适合会议记录、播客字幕和语音交互场景

基本信息

• 技能名称?Elevenlabs Transcribe
• 中文名称?AI 语音转文字，实时精准多语言
• 作者?paulasjes
• 分类?专业技能
• 版本?1.0.1
• 标签?speech-to-text, transcription, elevenlabs, realtime, diarization, multilingual, audio-processing, streaming, voice-input

使用方法

使用说明
核心用法
ElevenLabs Speech-to-Text 是一款基于 ElevenLabs Scribe API 的语音转文本工具，提供三种主要输入方式： 本地文件批量处理 、 URL 实时流 和 麦克风实时输入 。脚本封装为 Shell 接口，底层依赖 Python 和 ffmpeg 处理音视频格式。
基础命令结构：
{baseDir}/scripts/transcribe.sh [options] # 批量模式
{baseDir}/scripts/transcribe.sh --url # 流式模式
{baseDir}/scripts/transcribe.sh --mic # 麦克风模式 关键功能选项：
--diarize ：说话人分离，识别不同说话者
--json ：输出带时间戳的完整 JSON 结构
--events ：标记笑声、音乐、掌声等音频事件
--partials ：实时模式显示中间结果
--quiet ：静默模式，适合 AI Agent 调用
输出格式： 默认纯文本， --json 时返回结构化数据包含 words 数组（每个词的起止时间、说话人 ID）。
显著优点

1. 多语言支持 ：覆盖 90+ 种语言，自动检测语言并返回置信度
2. 格式兼容性广 ：支持 3GB/10小时以内的 MP3/WAV/M4A/FLAC/OGG 等音频，以及 MP4/AVI/MKV 等视频直接提取
3. 实时场景完善 ：流媒体 URL 和麦克风输入均可实时转录，延迟可控
4. 专业级标注 ：说话人分离（diarization）和音频事件标记能力超越基础 ASR 工具
5. Agent 友好 ： --quiet 模式仅输出转录内容到 stdout，便于脚本管道化处理
   潜在局限
6. 商业 API 依赖 ：必须持有 ElevenLabs API Key，按用量计费，高频使用成本需评估
7. 网络强依赖 ：所有处理均走云端 API，离线环境无法使用
8. 隐私边界 ：音频数据上传至第三方服务器，敏感会议/医疗场景需合规审查
9. 本地资源开销 ：ffmpeg 和 Python 依赖必须预装，首次运行自动安装 Python 包可能延迟
10. 流控限制 ：未明确标注速率限制，大文件或高频实时流可能触发限流
    适合人群
    内容创作者 ：播客、视频字幕自动化生成
    会议效率工具用户 ：需要说话人分离的会议纪要场景
    多语言团队 ：跨国会议实时翻译预处理
    AI Agent 开发者 ：构建语音交互机器人，需 --mic --quiet 模式获取用户输入
    常规风险
    | 风险类型 | 说明 | 缓解建议 | |---------|------|---------| | API 密钥泄露 | ELEVENLABS_API_KEY 环境变量暴露 | 使用密钥管理服务，避免 hardcode | | 数据传输隐私 | 音频上传至 ElevenLabs 云端 | 确认服务条款，敏感内容考虑本地 ASR 替代方案 | | 成本失控 | 长音频/高频实时流费用累积 | 设置 API 用量告警，长文件优先用批量模式 | | ffmpeg 安全性 | 处理不可信视频文件时潜在漏洞 | 隔离运行环境，限制输入文件来源 |