elevenlabs-stt

belt CLI スキルをインストール： npx skills add belt-sh/cli

ElevenLabs Speech-to-Text

inference.sh CLI を使った、Scribe モデルによる高精度な文字起こしです。

クイックスタート

inference.sh CLI（belt）が必要です。インストール手順

belt login

# Transcribe audio
belt app run elevenlabs/stt --input '{"audio": "https://audio.mp3"}'

利用可能なモデル

モデル	ID	最適な用途
Scribe v2	scribe_v2	最新の最高精度（デフォルト）
Scribe v1	scribe_v1	安定性と実績

• 文字起こし精度 98％以上
• 自動検出に対応した 90 以上の言語

使用例

基本的な文字起こし

belt app run elevenlabs/stt --input '{"audio": "https://meeting-recording.mp3"}'

話者の識別を有効にする

belt app run elevenlabs/stt --input '{
  "audio": "https://meeting.mp3",
  "diarize": true
}'

音声イベントのタグ付け

笑い声、拍手、音楽など、音声以外のイベントを検出します：

belt app run elevenlabs/stt --input '{
  "audio": "https://podcast.mp3",
  "tag_audio_events": true
}'

言語を指定する

belt app run elevenlabs/stt --input '{
  "audio": "https://spanish-audio.mp3",
  "language_code": "spa"
}'

すべてのオプション

belt app run elevenlabs/stt --input '{
  "audio": "https://conference.mp3",
  "model": "scribe_v2",
  "diarize": true,
  "tag_audio_events": true,
  "language_code": "eng"
}'

強制アラインメント

既知のテキストを音声にアラインメントし、単語および文字単位の正確なタイムスタンプを取得します。字幕、リップシンク、カラオケに便利です。

belt app run elevenlabs/forced-alignment --input '{
  "audio": "https://narration.mp3",
  "text": "This is the exact text spoken in the audio file."
}'

出力形式

{
  "words": [
    {"text": "This", "start": 0.0, "end": 0.3},
    {"text": "is", "start": 0.35, "end": 0.5},
    {"text": "the", "start": 0.55, "end": 0.65}
  ],
  "text": "This is the exact text spoken in the audio file."
}

強制アラインメントの使用例

• 字幕：動画字幕の正確なタイミング設定
• リップシンク：アニメーションキャラクターに音声を同期
• カラオケ：歌詞の単語ごとのタイミング設定
• アクセシビリティ：同期された文字起こし

ワークフロー：動画字幕

# 1. Transcribe video audio
belt app run elevenlabs/stt --input '{
  "audio": "https://video.mp4",
  "diarize": true
}' > transcript.json

# 2. Build caption segments (start, end, text) from the word timestamps in step 1
belt app run infsh/caption-videos --input '{
  "video_file": "https://video.mp4",
  "segments": [{"start": 0.0, "end": 2.5, "text": "<text-from-step-1>"}]
}'

対応言語

英語、スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語、中国語、日本語、韓国語、アラビア語、ヒンディー語、ロシア語、トルコ語、オランダ語、スウェーデン語など、90 以上の言語に対応しています。自動検出を行うには、language_code を空のままにしてください。

使用例

• 会議：話者を識別しながら録音を文字起こし
• ポッドキャスト：音声イベントタグ付きの文字起こしを生成
• 字幕：動画用のタイムコード付き字幕を作成
• 調査：ダイアライゼーションを使ったインタビューの文字起こし
• アクセシビリティ：音声コンテンツを検索可能でアクセスしやすくする
• リップシンク：アニメーションのタイミング調整に強制アラインメントを使用

関連スキル

# ElevenLabs TTS (reverse direction)
npx skills add inference-sh/skills@elevenlabs-tts

# ElevenLabs dubbing (translate audio)
npx skills add inference-sh/skills@elevenlabs-dubbing

# Other STT models (Whisper)
npx skills add inference-sh/skills@speech-to-text

# Full platform skill (all apps)
npx skills add inference-sh/skills@infsh-cli

すべての音声アプリを見る：belt app list --category audio