跳到导航
操作指南语音转文本实时

语言选项

本指南介绍如何使用 Realtime Speech to Text API 转录多种语言的音频。

操作指南 · 假设你已完成 客户端或 服务端 流式传输指南。

概述

默认情况下，实时 API 会自动检测音频语言。你可以通过以下 3 种方式更改此行为：

  • 将 language_code 设为音频的语言。
  • 添加 secondary_languages，将语言检测限制在预期语言范围内。
  • 使用 Scribe v3 Live 时，设置 multilang_mode=true，以跟踪会话中切换语言的说话者。

Scribe 不会翻译，而是以说话所用语言进行转录。

次要语言

在查询字符串中传入主要语言的 language_code，并为每种额外语言重复传入一次 secondary_languages。两者均接受 ISO-639-1 或 ISO-639-3 代码。

wss://api.elevenlabs.io/v1/speech-to-text/realtime?model_id=scribe_v3_live&language_code=en&secondary_languages=es&secondary_languages=fr

secondary_languages 通过将语言识别限制在你列出的语言范围内，提高识别可靠性。如需跟踪会话中在不同语言间切换的说话者，请使用 多语言模式。

多语言模式

多语言模式仅适用于 Scribe v3 Live（scribe_v3_live）。其他模型会以 invalid_request 错误拒绝 multilang_mode=true，并关闭连接。

使用 multilang_mode=true 时，Scribe v3 Live 会以各语言自身的文字系统进行转录，并跟踪语言切换，包括句中切换。

wss://api.elevenlabs.io/v1/speech-to-text/realtime?model_id=scribe_v3_live&audio_format=pcm_16000&multilang_mode=true

多语言模式有以下取舍：

  • 听起来像其他语言的背景语音也可能被转录。
  • 短语更容易被错误转录。

官方 SDK 尚不支持 multilang_mode。如需使用，请直接连接 WebSocket API。

后续步骤

转录文本和提交策略

手动、静音时或通过轮次预测提交转录文本。

数字和语言选项

格式化数字，并为录制音频声明次要语言。