语音转文本

可以，该工具支持上传音频和视频文件。两者的最大文件大小均为 3GB。

重命名说话人

可以，点击“说话人”标签旁的“编辑”按钮即可重命名说话人。

文本转语音可将语音音频转换为书面文本。在 ElevenLabs，我们的文本转语音模型是 Scribe。它可准确转录超过 90 种语言的语音，轻松将音频转换为可阅读、可搜索的文本。

Scribe 的主要功能

• 行业领先的准确率：英语、法语、意大利语、葡萄牙语、西班牙语和德语等主要语言的准确率达 98%。
• 精确到词级的时间戳，让你准确了解每个词的说出时间。
• 智能说话人分离，自动识别并区分不同说话人。
• 动态音频标记，可检测非语音声音。
• 最多支持 32 位说话人，同时保持高准确率。

Scribe v3 有哪些新功能

Scribe v3 是我们最准确的文本转语音模型。与 Scribe v2 相比，它提供：

• 更少的转录错误。在涵盖 102 种语言的 FLEURS 基准测试中，Scribe v3 的词错误率比 Scribe v2 低 27%。
• 多说话人音频中更准确的说话人标签。
• 数字格式。通过 API，你可以选择将数字写为 阿拉伯数字还是文字。
• 次要语言。通过 API，你可以列出音频中可能出现的其他语言， 以提高混合语言音频的准确率。

Scribe v3 保留了 Scribe v2 引入的功能：

• 关键词提示。最多可提供 100 个单词或短语，引导模型 正确转录重要术语。使用关键词提示会使成本增加 20%。
• 实体检测。你可以选择要在 转录文本中检测的特定信息类别，例如信用卡号、姓名或疾病。实体检测 仅可通过 API 使用，成本增加 30%。
• 智能多语言支持。你可以提交包含多种语言的音频， Scribe 会自动检测并正确转录每种语言。
• 稳定性提升。Scribe 可处理停顿、语调变化和长时间静音， 不会中断或降低准确率。
  

应使用哪个版本？

需要高准确率转录时，建议使用 Scribe v3（scribe_v3）。可通过我们的网站和 API 使用。通过网站使用文本转语音时，Scribe v3 是默认模型。数据驻留环境中的工作区使用 Scribe v2。

对于医疗和临床音频，请通过同一 API 使用 Scribe v2 Medical（scribe_v2_medical）。其计费标准与 Scribe v2 相同。

对于实时使用场景，建议使用 Scribe v3 Live（scribe_v3_live），可通过实时 API使用。ElevenAgents 默认使用 Scribe v2 Realtime。

详情请参阅我们的文本转语音文档。

文本转语音支持超过 90 种语言。 

如需查看完整的支持语言列表，请参阅文本转语音文档中的语言支持部分。

并发数上限（并行运行的并发请求数）取决于订阅套餐，以及使用的是语音转文本还是实时语音转文本。

以下是当前的语音转文本并发数上限。

如果需要更多并发请求，请通过此网页直接联系企业版部门。我们很乐意与你讨论满足具体需求的定制套餐。

要估算流量所需的并发数上限，请使用并发数估算器。