什么是文本转语音？

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。它支持准确转录超过 90 种语言的语音，轻松将音频变成可读、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%。
• 精确到单词级别的时间戳，可查看每个词的具体说话时间。
• 智能说话人分离，可自动识别并区分不同说话人。
• 动态音频标签，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 v2 的新功能

Scribe v2 在核心模型基础上增加了更多功能，适用于要求更高的使用场景。

• 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费用增加 20%。
• 实体检测。可选择要在转录文本中检测的特定信息类别， 例如信用卡号、姓名或医疗状况。实体检测 仅可通过 API 使用，费用会增加 30%。
• 智能多语言支持。可提交包含多种语言的音频， Scribe v2 会自动检测并正确转录每种语言。
• 稳定性提升。Scribe v2 可处理停顿、语调变化和长时间静默， 不会中断或降低准确率。
  

该使用哪个版本？

需要高准确率转录时，建议使用 Scribe v2。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 v2 是默认模型。

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。

对于实时场景，建议使用 Scribe v2 Realtime，可通过 ElevenAgents 和 API 使用。

更多详情，请参阅文本转语音文档。