语音转文本 | ElevenLabs Documentation

{
  "language_code": "en",
  "language_probability": 1,
  "text": "With a soft and whispery American accent, I'm the ideal choice for creating ASMR content, meditative guides, or adding an intimate feel to your narrative projects.",
  "words": [
    {
      "text": "With",
      "start": 0.119,
      "end": 0.259,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 0.239,
      "end": 0.299,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "a",
      "start": 0.279,
      "end": 0.359,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 0.339,
      "end": 0.499,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "soft",
      "start": 0.479,
      "end": 1.039,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 1.019,
      "end": 1.2,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "and",
      "start": 1.18,
      "end": 1.359,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 1.339,
      "end": 1.44,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "whispery",
      "start": 1.419,
      "end": 1.979,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 1.959,
      "end": 2.179,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "American",
      "start": 2.159,
      "end": 2.719,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 2.699,
      "end": 2.779,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "accent,",
      "start": 2.759,
      "end": 3.389,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 4.119,
      "end": 4.179,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "I'm",
      "start": 4.159,
      "end": 4.459,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 4.44,
      "end": 4.52,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "the",
      "start": 4.5,
      "end": 4.599,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 4.579,
      "end": 4.699,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "ideal",
      "start": 4.679,
      "end": 5.099,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 5.079,
      "end": 5.219,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "choice",
      "start": 5.199,
      "end": 5.719,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 5.699,
      "end": 6.099,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "for",
      "start": 6.099,
      "end": 6.199,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 6.179,
      "end": 6.279,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "creating",
      "start": 6.259,
      "end": 6.799,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 6.779,
      "end": 6.979,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "ASMR",
      "start": 6.959,
      "end": 7.739,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 7.719,
      "end": 7.859,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "content,",
      "start": 7.839,
      "end": 8.45,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 9,
      "end": 9.06,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "meditative",
      "start": 9.04,
      "end": 9.64,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 9.619,
      "end": 9.699,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "guides,",
      "start": 9.679,
      "end": 10.359,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 10.359,
      "end": 10.409,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "or",
      "start": 11.319,
      "end": 11.439,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 11.42,
      "end": 11.52,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "adding",
      "start": 11.5,
      "end": 11.879,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 11.859,
      "end": 12,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "an",
      "start": 11.979,
      "end": 12.079,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 12.059,
      "end": 12.179,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "intimate",
      "start": 12.179,
      "end": 12.579,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 12.559,
      "end": 12.699,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "feel",
      "start": 12.679,
      "end": 13.159,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 13.139,
      "end": 13.179,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "to",
      "start": 13.159,
      "end": 13.26,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 13.239,
      "end": 13.3,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "your",
      "start": 13.299,
      "end": 13.399,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 13.379,
      "end": 13.479,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "narrative",
      "start": 13.479,
      "end": 13.889,
      "type": "word",
      "speaker_id": "speaker_0"
    },
    {
      "text": " ",
      "start": 13.919,
      "end": 13.939,
      "type": "spacing",
      "speaker_id": "speaker_0"
    },
    {
      "text": "projects.",
      "start": 13.919,
      "end": 14.779,
      "type": "word",
      "speaker_id": "speaker_0"
    }
  ]
}

输出分为以下 3 种类别：

word：音频所用语言中的单词
spacing：单词之间的空格，不适用于日语、普通话、泰语、老挝语、缅甸语和粤语等不使用空格的语言
audio_event：笑声或掌声等非语音声音

并发与优先级

并发是指可同时处理的请求数量。

对于语音转文本，时长超过 8 分钟的文件会在内部并行转录，以加快处理速度。音频会被分成 4 个片段并发转录。

可按以下公式计算并发限制：

Concurrency = \min(4, \text{round\_up}(\frac{\text{audio\_ duration\_secs}}{480}))

例如，15 分钟的音频文件将以 2 的并发数转录，而 120 分钟的音频文件将以 4 的并发数转录。

以上计算仅适用于 Scribe v2 和 Scribe v2 Medical。对于 Scribe v2 Realtime，请参阅并发限制图表。

高级功能

关键词提示和转录文本编辑需额外付费。详细定价信息请参阅 API 定价页面。

关键词提示

Scribe v2、Scribe v2 Medical（批处理）和 Scribe v2 Realtime 支持关键词提示。

突出显示单词或短语，让模型更倾向于转录它们。这对于转录音频中不常见的特定单词或句子非常有用，例如产品名称、人名或其他特定术语。关键词比其他模型提供的偏置关键词或自定义词汇更强大，因为它会依靠上下文判断是否应转录该术语。批处理最多支持 1000 个关键词（每个 50 个字符），实时模式最多支持 50 个关键词（每个 20 个字符）。

如需了解如何使用关键词提示，请参阅关键词提示文档。

非逐字模式

Scribe v2、Scribe v2 Medical（批处理）和 Scribe v2 Realtime 支持非逐字模式。

启用 no_verbatim 后，模型会从转录文本中移除填充词、错误起句和不流畅表达。这样可生成更整洁的输出，适用于字幕、摘要或任何重视可读性胜过逐字记录的场景。

实体检测

所有批处理模型和 Scribe v2 Realtime 均支持实体检测。

批处理模型和 Scribe v2 Realtime 可检测转录文本中的多类实体，并提供精确时间戳。这对于突出显示信用卡号、姓名、疾病或社会保障号非常有用。

完整的支持实体列表请参阅实体检测文档。

转录文本编辑

转录文本编辑是一项实验性功能，所有批处理模型和 Scribe v2 Realtime 均可使用。

通过 transcript_edit 参数传入自然语言指令，系统会将其应用于完成的转录文本。编辑后的文本会与原始转录文本一同在 edited_transcript 中返回，因此时间戳和说话人标签会保持不变。该功能适合统一日期、时间或单位的写法、应用不同风格，或通过一次请求重写转录文本。

如需了解更多，请参阅转录文本编辑文档和实时转录文本编辑指南。

支持的语言

Scribe v2 支持 90+ 种语言，包括：

南非荷兰语（afr）、阿姆哈拉语（amh）、阿拉伯语（ara）、亚美尼亚语（hye）、阿萨姆语（asm）、阿斯图里亚斯语（ast）、阿塞拜疆语（aze）、白俄罗斯语（bel）、孟加拉语（ben）、波斯尼亚语（bos）、保加利亚语（bul）、缅甸语（mya）、粤语（yue）、加泰罗尼亚语（cat）、宿务语（ceb）、齐切瓦语（nya）、克罗地亚语（hrv）、捷克语（ces）、丹麦语（dan）、荷兰语（nld）、英语（eng）、爱沙尼亚语（est）、菲律宾语（fil）、芬兰语（fin）、法语（fra）、富拉语（ful）、加利西亚语（glg）、干达语（lug）、格鲁吉亚语（kat）、德语（deu）、希腊语（ell）、古吉拉特语（guj）、豪萨语（hau）、希伯来语（heb）、印地语（hin）、匈牙利语（hun）、冰岛语（isl）、伊博语（ibo）、印尼语（ind）、爱尔兰语（gle）、意大利语（ita）、日语（jpn）、爪哇语（jav）、佛得角克里奥尔语（kea）、卡纳达语（kan）、哈萨克语（kaz）、高棉语（khm）、韩语（kor）、库尔德语（kur）、吉尔吉斯语（kir）、老挝语（lao）、拉脱维亚语（lav）、林加拉语（lin）、立陶宛语（lit）、卢奥语（luo）、卢森堡语（ltz）、马其顿语（mkd）、马来语（msa）、马拉雅拉姆语（mal）、马耳他语（mlt）、普通话（zho）、毛利语（mri）、马拉地语（mar）、蒙古语（mon）、尼泊尔语（nep）、北索托语（nso）、挪威语（nor）、奥克语（oci）、奥里亚语（ori）、普什图语（pus）、波斯语（fas）、波兰语（pol）、葡萄牙语（por）、旁遮普语（pan）、罗马尼亚语（ron）、俄语（rus）、塞尔维亚语（srp）、绍纳语（sna）、信德语（snd）、僧伽罗语（sin）、斯洛伐克语（slk）、斯洛文尼亚语（slv）、索马里语（som）、西班牙语（spa）、斯瓦希里语（swa）、瑞典语（swe）、泰米尔语（tam）、塔吉克语（tgk）、泰卢固语（tel）、泰语（tha）、土耳其语（tur）、乌克兰语（ukr）、翁本杜语（umb）、乌尔都语（urd）、乌兹别克语（uzb）、越南语（vie）、威尔士语（cym）、沃洛夫语（wol）、科萨语（xho）和祖鲁语（zul）。

语言支持详情

词错误率（WER）是评估转录系统准确度的关键指标。它衡量转录文本与参考文本相比存在多少错误。以下是 Scribe v2 支持的各语言 WER 详情。

优秀（≤ 5% WER）

白俄罗斯语（bel）、波斯尼亚语（bos）、保加利亚语（bul）、加泰罗尼亚语（cat）、克罗地亚语（hrv）、捷克语（ces）、丹麦语（dan）、荷兰语（nld）、英语（eng）、爱沙尼亚语（est）、芬兰语（fin）、法语（fra）、加利西亚语（glg）、德语（deu）、希腊语（ell）、匈牙利语（hun）、冰岛语（isl）、印尼语（ind）、意大利语（ita）、日语（jpn）、卡纳达语（kan）、拉脱维亚语（lav）、马其顿语（mkd）、马来语（msa）、马拉雅拉姆语（mal）、挪威语（nor）、波兰语（pol）、葡萄牙语（por）、罗马尼亚语（ron）、俄语（rus）、斯洛伐克语（slk）、西班牙语（spa）、瑞典语（swe）、土耳其语（tur）、乌克兰语（ukr）和越南语（vie）。

高准确度（>5% 至 ≤10% WER）

亚美尼亚语（hye）、阿塞拜疆语（aze）、孟加拉语（ben）、粤语（yue）、菲律宾语（fil）、格鲁吉亚语（kat）、古吉拉特语（guj）、印地语（hin）、哈萨克语（kaz）、立陶宛语（lit）、马耳他语（mlt）、普通话（cmn）、马拉地语（mar）、尼泊尔语（nep）、奥里亚语（ori）、波斯语（fas）、塞尔维亚语（srp）、斯洛文尼亚语（slv）、斯瓦希里语（swa）、泰米尔语（tam）和泰卢固语（tel）

良好（>10% 至 ≤20% WER）

南非荷兰语（afr）、阿拉伯语（ara）、阿萨姆语（asm）、阿斯图里亚斯语（ast）、缅甸语（mya）、豪萨语（hau）、希伯来语（heb）、爪哇语（jav）、韩语（kor）、吉尔吉斯语（kir）、卢森堡语（ltz）、毛利语（mri）、奥克语（oci）、旁遮普语（pan）、塔吉克语（tgk）、泰语（tha）、乌兹别克语（uzb）和威尔士语（cym）。

中等（>25% 至 ≤50% WER）

阿姆哈拉语（amh）、干达语（lug）、伊博语（ibo）、爱尔兰语（gle）、高棉语（khm）、库尔德语（kur）、老挝语（lao）、蒙古语（mon）、北索托语（nso）、普什图语（pus）、绍纳语（sna）、信德语（snd）、僧伽罗语（sin）、索马里语（som）、乌尔都语（urd）、沃洛夫语（wol）、科萨语（xho）、约鲁巴语（yor）和祖鲁语（zul）。

常见问题

可以将语音转文本 API 用于视频文件吗？

可以，API 支持上传音频和视频文件进行转录。

语音转文本 API 对文件大小和时长有哪些限制？

支持最大 3 GB 的文件。时长限制取决于转录模式：

标准模式（use_multi_channel=false）：最长 10 小时
多声道模式（use_multi_channel=true）：所有声道的总时长必须少于 10 小时

API 支持哪些音频和视频格式？

API 支持以下音频和视频格式：

audio/aac
audio/x-aac
audio/x-aiff
audio/ogg
audio/mpeg
audio/mp3
audio/mpeg3
audio/x-mpeg-3
audio/opus
audio/wav
audio/x-wav
audio/webm
audio/flac
audio/x-flac
audio/mp4
audio/aiff
audio/x-m4a

支持的视频格式包括：

video/mp4
video/x-msvideo
video/x-matroska
video/quicktime
video/x-ms-wmv
video/x-flv
video/webm
video/mpeg
video/3gpp

何时会支持更多语言？

ElevenLabs 持续扩展模型支持的语言数量。请经常回来查看更新。

语音转文本 API 支持 webhook 吗？

可以，异步转录结果可发送至在 UI 的 webhook 设置中配置的 webhook。详情请参阅 webhook 指南。

API 支持多声道转录模式吗？

支持。多声道 STT 功能可转录每个声道都被独立处理的音频，并根据声道编号分配说话人 ID。此功能最多支持 5 个声道。详情请参阅多声道转录指南。

语音转文本 API 如何计费？

ElevenLabs 根据提交转录的音频时长收取语音转文本费用。费用按每小时音频计算，费率因套餐和模型而异。详细定价信息请参阅 API 定价页面。

重要信息

支持的输入：接受音频和视频文件
最大文件大小：3 GB
最长时长：10 小时（标准模式）、1 小时（多声道模式）
多声道模式：最多 5 个声道；每个声道独立处理，并按声道编号分配说话人 ID
Webhook：异步转录结果可发送至 webhook，在工作区设置中配置
支持的音频格式：AAC、AIFF、OGG、MP3、OPUS、WAV、FLAC、M4A、WebM
支持的视频格式：MP4、AVI、MKV、MOV、WMV、FLV、WebM、MPEG、3GPP