elevenlabs-stt

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：

1. 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
  }
}

2. 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

1. 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
2. 对于多人对话场景，建议启用 diarize: true 来区分说话人
3. 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
4. 支持的音频格式包括 mp3、ogg、wav、m4a、aac