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。