ElevenLabs 语音转文字

用于语音转文字转录的官方 ElevenLabs 技能。

以先进的准确度将音频转换为文本。支持 90 多种语言、说话人分离和实时流式处理。

先决条件

• ffmpeg已安装（在 macOS 上使用 brew install ffmpeg）
• ELEVENLABS_API_KEY环境变量已设置
• Python 3.8+（依赖项在首次运行时自动安装）

使用方法

{baseDir}/scripts/transcribe.sh <audio_file> [options]
{baseDir}/scripts/transcribe.sh --url <stream_url> [options]
{baseDir}/scripts/transcribe.sh --mic [options]

示例

批量转录

转录本地音频文件：

{baseDir}/scripts/transcribe.sh recording.mp3

带有说话人识别：

{baseDir}/scripts/transcribe.sh meeting.mp3 --diarize

获取带时间戳的完整 JSON 响应：

{baseDir}/scripts/transcribe.sh interview.wav --diarize --json

实时流式处理

从 URL 流式处理（例如，直播电台、播客）：

{baseDir}/scripts/transcribe.sh --url https://npr-ice.streamguys1.com/live.mp3

从麦克风转录：

{baseDir}/scripts/transcribe.sh --mic

实时流式处理本地文件（用于测试）：

{baseDir}/scripts/transcribe.sh audio.mp3 --realtime

代理静默模式

抑制标准错误输出中的状态信息：

{baseDir}/scripts/transcribe.sh --mic --quiet

选项

输出格式

文本模式（默认）

纯文本转录：

The quick brown fox jumps over the lazy dog.

JSON 模式 (--json)

{
  "text": "The quick brown fox jumps over the lazy dog.",
  "language_code": "eng",
  "language_probability": 0.98,
  "words": [
    {"text": "The", "start": 0.0, "end": 0.15, "type": "word", "speaker_id": "speaker_0"}
  ]
}

实时模式

最终转录内容在提交时打印。使用--partials时：

[partial] The quick
[partial] The quick brown fox
The quick brown fox jumps over the lazy dog.

支持的格式

音频：MP3、WAV、M4A、FLAC、OGG、WebM、AAC、AIFF、Opus视频：MP4、AVI、MKV、MOV、WMV、FLV、WebM、MPEG、3GPP

限制：最大文件大小 3GB，最长时长 10 小时

错误处理

脚本在遇到错误时以非零状态退出：

• 缺少 API 密钥：设置ELEVENLABS_API_KEY环境变量
• 文件未找到：检查文件路径是否存在
• 缺少 ffmpeg：使用您的包管理器安装
• API 错误：检查 API 密钥的有效性和速率限制

何时使用每种模式