Dlazy Elevenlabs Stt

介绍

该技能利用ElevenLabs最新的scribe_v1模型，实现高精度的语音转文字功能，支持自动检测输入音频的语言，并可选开启说话人分离（Speaker Diarization）。它能够将会议录音、访谈、讲座等音频内容快速转换为结构化的文本，同时标注不同说话人，极大提升后续处理效率。适用于字幕生成、实时转录、会议记录整理等场景，尤其适合多语言混合的音频文件。

使用方式简单：在AI代理中配置好ElevenLabs的API密钥后，即可直接调用该技能。只需提供音频文件路径或URL，技能会自动完成语言检测、转录和说话人分离，最终返回带时间戳的对话文本。支持批量处理多个音频文件，也支持流式输入。输出格式可选择纯文本、SRT字幕或JSON结构化数据，方便后续集成到工作流中。

该技能特别适合内容创作者（快速生成视频字幕）、视频剪辑师（获取精确时间轴文本）、翻译人员（多语言音频的初步转写）以及学术研究者（整理访谈、讲座录音）。对于需要频繁处理多语言会议或访谈的用户，该技能能节省大量手动转写和标注时间。

使用前需确保拥有ElevenLabs的有效API密钥，并注意API调用费用（按音频时长计费）。对于噪声较大或多人同时说话的音频，说话人分离准确率可能下降，建议先清理音频或使用高质量录音。长音频建议分段处理以避免超时限制。该技能依赖网络，不可离线使用。