ElevenLabs 推出 Scribe v2 语音转文字模型，支持高精度音频转录、自动语言识别、带时间戳的逐句输出；具备关键词提示、电话号码等实体检测、最多48人说话人分离能力，适用于字幕生成、音频检索与剪辑等专业场景。
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。
Hermes QQ Bot 常因网络波动出现“灵魂不在线”的静默断连，根源在于 WebSocket 重连逻辑缺陷导致进程未正常退出。目前修复版本已解决重连耗尽问题，但深层异常捕获仍有待完善。建议用户升级至最新版，配置 systemd 或 Docker 自动重启策略，并优化代理超时设置，以保障 QQ Bot 稳定运行。
AI 技术博主 AI Master 提出用 JSON 结构化提示词替代自然语言，解决 AI 绘图修改局部时整体崩坏的问题。该方法将主体、灯光等元素独立分槽，配合 Gemini 提取参考图信息，可实现精准调整颜色或风格而不影响其他细节。此方案适用于角色一致性控制及摄影参数迁移，同样兼容 Veo 3.1 视频生成，让 AI 创作从随机抽卡转向可控的确定性系统。
AI 技术博主 AI Master 指出，多数用户效果平平源于未掌握底层逻辑。它拆解了语言、图像及视频三大模型的运作机制，并梳理了 2026 年主流工具格局。针对提示词，AI Master 提出文本需明确上下文与角色，图像遵循六要素公式，视频则强调单一动作与环境设定。核心观点在于将 AI 视为需清晰简报的新人，通过迭代而非一次搜索来优化产出，适合希望提升各类生成效果的创作者。
围绕《ElevenLabs 推出语音转文字模型 Scribe v2》展开交流，未登录用户可浏览评论，登录后可参与讨论。
