（5437期）elevenlabs-stt – 高精度多语言语音转录专家

高精度多语言语音转录专家 基于 ElevenLabs Scribe V2 的高速语音转文字服务，支持多语言识别、说话人分离与音频事件标注，适合会议记录、播客转录等专业场景。 使用说明 核心用法 ElevenLabs Scribe V2 语音转文字技能通过 MCP 工具调用 fal.ai 托管的 ElevenLabs 模型，实现高质量的语音识别与转录。用户只需提供音频文件 URL，即可提交异步任务并获取包含时间戳、说话人标识的精细化转录结果。 主要工作流程分为两步：首先调用 submittask 提交任务，指定音频 URL 及可选参数（语言代码、说话人分离、音频事件标注、专业术语关键词）；随后通过 gettask 轮询任务状态，获取最终转录文本。支持 mp3、ogg、wav、m4a、aac 等主流音频格式，覆盖英语、中文、日语、韩语等 32 种语言。 显著优点 高精度识别：ElevenLabs Scribe V2 是当前业界领先的 STT 模型之一，在多个基准测试中表现优异，尤其擅长处理多人对话场景。 丰富的结构化输出：不仅返回完整文本，还提供逐词时间戳、说话人分离标识（speaker0/speaker1 等）、音频事件标注（笑声、掌声、音乐等），便于后续编辑与分析。 专业术语优化：通过 keyterms 参数可预置最多 100 个专业术语，显著提升医疗、法律、技术等领域特定词汇的识别准确率。 灵活的异步架构：任务提交与结果查询分离，适合处理长音频文件，避免阻塞式等待。 透明定价：按分钟计费（4-5 积分/分钟），无隐藏费用，最低计费 1 分钟。 潜在缺点与局限性 网络依赖性强：完全依赖 fal.ai 和 ElevenLabs 的外部服务，若平台出现故障或网络中断，服务将不可用。 音频 URL 隐私风险：用户需提供可公开访问的音频 URL，无法直接上传本地文件，敏感音频需先上传至私有存储并配置临时访问链接。 计费累积风险：长音频（如 2 小时会议）将产生约 480-600 积分的费用，高频使用成本较高。 异步等待成本：任务处理时间随音频长度线性增长，实时性要求高的场景体验受限。 语言自动检测非最优：虽然支持自动检测，但明确指定 language_code 可提升准确度，增加了用户操作复杂度。 适合的目标群体 企业会议记录员：需要生成带说话人标识的会议纪要 播客与视频创作者：批量生成字幕与时间轴 学术研究人员：转录访谈录音、田野调查音频 医疗与法律从业者：利用 keyterms 优化专业术语识别 多语言内容团队：处理跨语言音频素材 使用风险 服务可用性风险：第三方 API 可能出现延迟或故障，建议实现重试机制 数据合规风险：音频 URL 传输至境外服务器（ElevenLabs 为美国公司），需评估数据跨境合规要求 成本控制风险：未设置用量上限，意外提交超长音频可能导致高额账单 URL 失效风险：若音频 URL 在任务处理前过期，将导致任务失败 原始说明 Transcribe audio files using ElevenLabs Speech-to-Text (Scribe v2).