转录 | 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 3 种类别：

word - 音频语言中的一个词
spacing - 词语之间的空格，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

并发和优先级

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 段，同时进行转录。

可使用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 分钟的音频文件会以 2 的并发数转录，而 120 分钟的音频文件会以 4 的并发数转录。

上述计算方式仅适用于 Scribe v2 和 Scribe v2 Medical。对于 Scribe v2 Realtime，请参阅并发限制图表。

高级功能

关键术语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。

关键术语提示

Scribe v2、Scribe v2 Medical（批量）和 Scribe v2 Realtime 支持关键术语提示。

突出显示词语或短语，使模型更倾向于转录它们。这适用于转录音频中不常见的特定词语或句子，例如产品名称、人名或其他特定术语。关键术语比其他模型提供的偏置关键词或自定义词汇更强大，因为模型会根据上下文决定是否转录该术语。批量模式最多支持 1000 个关键术语（每个 50 个字符），实时模式最多支持 50 个关键术语（每个 20 个字符）。

要了解如何使用关键术语提示，请参阅关键术语提示文档。

非逐字模式

Scribe v2、Scribe v2 Medical（批量）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、语句起始错误和不流畅表达。这样可获得更整洁的输出，适合字幕、摘要，或任何可读性比捕捉每个口语词更重要的场景。

实体检测

所有批量模型和 Scribe v2 Realtime 均支持实体检测。

批量模型和 Scribe v2 Realtime 可检测转录文本中的多类实体，并提供其精确时间戳。这适合突出显示信用卡号、人名、医疗状况或社会安全号码。

如需完整的支持实体列表，请参阅实体检测文档。

转录文本编辑

所有批量模型和 Scribe v2 Realtime 均支持转录文本编辑实验功能。

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。这适合统一日期、时间或单位的写法，应用不同风格，或在单个请求中改写转录文本。

详情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）。

语言支持明细

词错误率 (WER) 是评估转录系统准确率的一项关键指标。它用于衡量转录文本相较于参考文本中存在多少错误。以下是 Scribe v2 支持的每种语言的 WER 明细。

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)、印度尼西亚语 (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)。

高准确率（>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

能否将语音转文本 API 用于视频文件？

可以，API 支持上传音频和视频文件进行转录。

语音转文本 API 的文件大小和时长限制是什么？

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
多通道模式 (use_multi_channel=true)：所有通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？

支持，可将异步转录结果发送至 UI 中 Webhook 设置里配置的 Webhook。详情请参阅 Webhook 指南。

API 支持多通道转录模式吗？

支持，多通道 STT 功能可转录每个通道均独立处理的音频，并根据通道编号分配说话人 ID。该功能最多支持 5 个通道。详情请参阅多通道转录指南。

语音转文本 API 如何计费？

ElevenLabs 按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，具体费率因套餐和模型而异。详细定价信息请参阅 API 定价页面。

静音也计入计费时长。批量和实时转录均按你发送的每秒音频计量，包括停顿和静音片段；静音没有折扣。

关键信息

支持的输入：音频和视频文件均可
最大文件大小：3 GB
最大时长：10 小时（标准模式）、1 小时（多通道模式）
多通道模式：最多 5 个通道；每个通道独立处理，并按通道编号分配说话人 ID
Webhook：可将异步转录结果发送至 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