| name | elevenlabs-stt |
| description | 使用 ElevenLabs Scribe V2 进行语音转文字。当用户想要语音识别、音频转录、语音转文字，或提到 elevenlabs、scribe 时使用此 skill。 |
| category | audio |
| tags | ["speech-to-text","transcription","elevenlabs","scribe"] |
ElevenLabs Scribe V2 语音转文字
ElevenLabs Scribe V2 是一款高速语音转文字模型，支持多语言识别、说话人分离、音频事件标注。
可用模型
| 模型 ID | 功能 | 说明 |
|---|
fal-ai/elevenlabs/speech-to-text/scribe-v2 | 语音转文字 | 高速 STT，支持说话人分离和音频事件标注 |
工作流
1. 调用 submit_task
使用 MCP 工具 submit_task 提交任务：
{
"model_id": "fal-ai/elevenlabs/speech-to-text/scribe-v2",
"parameters": {
"audio_url": "https://example.com/audio.mp3"
}
}
参数说明
| 参数 | 类型 | 必填 | 默认值 | 说明 |
|---|
| audio_url | string | 是 | - | 音频文件 URL（支持 mp3/ogg/wav/m4a/aac） |
| language_code | string | 否 | 自动检测 | 语言代码，如 eng/spa/fra/cmn/jpn |
| tag_audio_events | boolean | 否 | true | 是否标注音频事件（笑声、掌声等） |
| diarize | boolean | 否 | true | 是否启用说话人分离 |
| keyterms | array | 否 | [] | 关键词列表，提升专业术语识别准确度（最多100个，每个最多50字符）。使用后费用增加30% |
常用语言代码
| 代码 | 语言 |
|---|
| eng | 英语 |
| cmn | 中文（普通话） |
| jpn | 日语 |
| kor | 韩语 |
| spa | 西班牙语 |
| fra | 法语 |
| deu | 德语 |
查询任务状态
提交任务后会返回 task_id，使用 get_task 查询结果：
{
"task_id": "返回的任务ID"
}
任务状态：
pending - 排队中processing - 处理中completed - 完成，结果在 result 中failed - 失败，查看 error 字段
输出格式
{
"text": "完整的转录文本",
"language_code": "eng",
"language_probability": 1.0,
"words": [
{
"text": "Hello,",
"start": 0.079,
"end": 0.539,
"type": "word",
"speaker_id": "speaker_0"
}
]
}
完整示例
用户请求：帮我把这段英文音频转成文字
执行步骤：
- 调用
submit_task：
{
"model_id": "fal-ai/elevenlabs/speech-to-text/scribe-v2",
"parameters": {
"audio_url": "https://storage.googleapis.com/falserverless/example_inputs/elevenlabs/scribe_v2_in.mp3",
"language_code": "eng",
"diarize": true,
"tag_audio_events": true
}
}
- 获取
task_id 后调用 get_task 查询结果
定价
- 基础价格：4 积分/分钟（约 $0.008/分钟）
- 使用 keyterms：5 积分/分钟（+30%）
- 最低计费：1 分钟
使用技巧
- 不指定
language_code 时模型会自动检测语言，但指定语言可以提升准确度
- 对于多人对话场景，建议启用
diarize: true 来区分说话人
- 如果音频中包含专业术语，使用
keyterms 参数可以显著提升识别准确度
- 支持的音频格式包括 mp3、ogg、wav、m4a、aac
