elevenlabs-stt

安装 belt CLI 技能： npx skills add belt-sh/cli

ElevenLabs 语音转文本

通过 inference.sh CLI，使用 Scribe 模型实现高精度转录。

快速开始

需要 inference.sh CLI（belt）。安装说明

belt login

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

可用模型

模型	ID	适用场景
Scribe v2	scribe_v2	最新、精度最高（默认）
Scribe v1	scribe_v1	稳定可靠、经过验证

• 转录准确率超过 98%
• 支持 90 多种语言并自动检测

示例

基本转录

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

识别说话人

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

音频事件标注

检测笑声、掌声、音乐和其他非语音事件：

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

指定语言

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

完整选项

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

强制对齐

将已知文本与音频对齐，以获取精确到单词和字符级别的时间戳。适用于字幕、口型同步和卡拉 OK。

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

输出格式

{
  "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."
}

强制对齐的使用场景

• 字幕：为视频字幕提供精确时间
• 口型同步：将音频与动画角色对齐
• 卡拉 OK：为歌词逐词标注时间
• 无障碍访问：生成同步转录文本

工作流：视频字幕

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

# 2. Use transcript for captions
belt app run infsh/caption-videos --input '{
  "video_url": "https://video.mp4",
  "captions": "<transcript-from-step-1>"
}'

支持的语言

支持 90 多种语言，包括：英语、西班牙语、法语、德语、意大利语、葡萄牙语、中文、日语、韩语、阿拉伯语、印地语、俄语、土耳其语、荷兰语、瑞典语等。将 language_code 留空即可自动检测。

使用场景

• 会议：转录录音并识别说话人
• 播客：生成带有音频事件标签的转录文本
• 字幕：为视频创建带时间轴的字幕
• 研究：转录访谈并区分说话人
• 无障碍访问：让音频内容可搜索且易于访问
• 口型同步：通过强制对齐确定动画时间

相关技能

# 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

浏览所有音频应用：belt app list --category audio