ElevenLabs 推出语音转文字模型 Scribe v2

ElevenLabs 推出语音转文字模型 Scribe v2，并介绍了 API 调用的详细方法。

它核心能力是把音频文件转成结构化的文本结果。你只要把音频文件或 Blob 的形式，传给 API，就能拿到完整的转录对象。除了最终的文本，它还会返回语言识别的分析结果，每段语音的开始和结束时间。非常适合字幕生成、搜索定位、音频编辑这些场景。

它还有一些非常实用的功能。比如关键词提示，可以提前告诉模型一些特殊的品牌名或专业术语。实体检测则可以自动识别语音中的电话号码等个人信息，也可以按需指定要检测的类型。还有说话人分离功能，最多能够同时区分 48 个说话人，适合会议记录或访谈。

当然，技术再强也只是工具，关键还是看怎么用。如果你想做语音相关的项目，不妨试试 Scribe v2。