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。
Notion AI工程负责人Ryan Nystrom仅用三小时，借助Codex将移动端语音输入功能一次性迁移至网页与桌面端，全程单人操作、提示即生成可上线的生产级代码，印证AI辅助开发已能支撑真实产品迭代。
Luma 推出 UNI-1，一种突破性多模态推理模型：它并非语言或图像模型的拼接，而是将世界理解与图像生成统一于单次前向推理中，实现“先看懂、再画出”。架构上尝试融合逻辑推理与视觉想象，被称作“左右脑合一”，或预示AI建模范式的转向。
ElevenLabs推出Flows——基于画布的多模态广告创作平台，整合图像、视频、语音、音效与音乐生成，支持Veo、可灵、Nano Banana等模型及真人配音库；内置商用授权Eleven Music，可一键生成70+语言版本，宣称一天完成香水广告全流程，为出海团队大幅降本提效。
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。
