什么是多语言转录，如何实现？

无论是举办国际会议，还是需要准确记录任意语言的客服对话，多语言转录都比以往更重要。

多语言转录工具可将音频数据转换为准确、可搜索的文本，把对话变成可用记录。随着对文本转语音（STT）模型的研究不断深入，跨语言转录技术也日益成熟。开发者如今甚至可以将强大的 STT API 嵌入 workflow，构建复杂的多语言转录流程。

本文将介绍多语言转录的定义、桌面应用和 API 的使用方式，并说明它为何对全球企业至关重要。

摘要

• 多语言转录可将音频文件转换为多种语言的书面文本。
• 优秀的多语言转录工具还提供说话人分离、关键词提示和实体检测等功能。
• 你可以在线使用多语言转录工具，也可以集成文本转语音 API，用于开发 workflow。
• 自动转录兼具速度与扩展性；对于多人声音重叠、内容密集的场景，人工转录可能更合适。
• 多语言转录准确度以词错误率（WER）衡量，具体数值因语言而异。

什么是多语言转录，为什么重要？

多语言转录可将一种或多种语言的语音转换为书面文本。AI 系统会自动识别所说的语言并转录音频。多语言 STT 的输出可以是逐字稿，也可加入翻译层，将不同输入语言统一为一种输出语言。

例如，在全球会议中，演讲者可能会收到母语提问。多语言文本转语音工具既可直接以每位演讲者所用语言转录，也可生成一种目标语言的统一文本供观众阅读。组织可借助这些 STT 工具提升活动的可及性。

ElevenLabs 将多语言 STT 功能直接集成到文本转语音 Scribe v2 模型中。Scribe v2 支持自动语言检测，因此单个文件可包含多种语言。你可以指定音频片段中的语言，也可以保留“检测”设置，让系统识别上传文件中包含的语言。

使用 ElevenAPI 时，language_code 参数默认自动预测。若已知音频包含哪些语言，提前提供这些信息可提升性能。

多语言转录为何重要

近期研究显示，全球转录服务市场预计将在2035 年达到 60 亿美元。推动其增长的部分原因，在于多语言 STT 应用场景广泛。

多语言转录的重要性主要体现在以下方面：

• 无障碍：开始翻译或配音前，字幕和说明文字都依赖准确的多语言转录。多语言 STT 可显著提升用户无障碍体验。
• 可搜索性：转录后的音频可成为可索引文本，使客服通话或会议成为他人的实用资源。随着 AI 系统开始从内部文档中提取更多数据，可搜索性尤为重要；清晰的转录有助于构建完整的输入参考。
• 合规性：许多受监管行业需要保留可审计的语音互动书面记录。多语言 STT 可支持客户使用的每种语言。例如，金融行为监管局规定，金融机构必须保存电话对话的录音和转录文本。
• 全球内容流程：无论是配音还是字幕制作，workflow 都需要从高准确度的初始转录文本开始。高质量多语言转录工具可为更广泛的全球内容分发流程打好第一步基础。

多语言转录是众多行业不可或缺的一环：电信运营商转录客服通话、金融服务公司满足合规要求、医疗团队记录患者互动，电影工作室则用于内容本地化。无论从事 SaaS、旅游还是公用事业，部署强大的系统都能确保输出的转录文本始终高质量且准确。

多语言转录解决方案的关键功能

多语言转录工具需要适应所处理的音频输入，动态识别语言并高精度转录。

高质量多语言转录解决方案应具备以下主要功能：

• 自动语言检测：系统应自行识别所说语言，而非等用户提供源语言后才开始转录。尤其在输入语言未知或片段包含多种语言时，自动语言检测可让你无需手动配置即可处理多种语言。
• 说话人分离：说话人分离会将转录文本分配给文件中正确的说话人，这对包含多位说话人的音频至关重要。例如，你可能需要区分小组讨论中的不同成员，或清楚标明客户与客服人员各自说话的内容。Scribe v2 支持在单个文件中分离最多 32 位说话人。
• 关键词提示：关键词允许用户手动输入产品名称、专有名词等特定词汇，以确保正确转录。在批处理系统中，Scribe v2 最多支持1,000 个关键词；用于实时转录的 Scribe v2 Realtime 最多支持 50 个。
• 实体检测：实体检测可识别转录文本中的特定词语，对保护敏感数据的合规与安全工作至关重要。查看 ElevenLabs 的实体检测文档，了解支持的 56 种实体类型详情。
• 广泛的语言支持：优秀的多语言 STT 解决方案自然应支持大量语言的转录。作为参考，Scribe v2 可准确转录 90 多种语言。

这些功能共同支持广泛的应用场景，让你能使用可靠的 STT 系统，准确处理多种语言。

如何高效转录不同语言的音频

转录不同语言音频的最佳方式取决于具体工作量。对于一次性批量文件，可在 ElevenLabs 文本转语音页面上传文件并快速获取转录文本。

使用ElevenCreative时，转录音频只需以下几步：

1. 上传音频：前往文本转语音并点击“转录文件”。
2. 选择选项：选择主要语言，或保留为“检测”。如需标记笑声或其他非语音事件，可开启音频事件；也可按需添加关键词。
3. 查看结果：上传文件后，点击音频文件名称即可查看转录文本。你可以直接在转录编辑器中审核和完善文本，再导出为后续各项 workflow 所需的格式。

对于编程式或大批量转录，请使用文本转语音 API。以下功能可用于构建生产流程：

• 模型选择：model_id 参数可在 scribe_v2 和 scribe_v1 之间选择，让流程指定特定模型，而非依赖可能随时间变化的默认模型。
• 语言处理：language_code 参数接受ISO-639-1 或ISO-639-3 代码，未设置时默认自动检测。直接指定语言可能提升性能。
• 说话人分离控制：将 diarize 设为 true 可标注当前说话人。num_speakers 参数可将人数限制在 1 至 32 人。若需更精细的控制，可使用 diarization_threshold 参数调整区分不同说话人的取舍。
• 时间戳精度：timestamps_granularity 参数控制输出细节，可选择词级、字符级时间戳，或不输出时间戳。
• 大规模异步处理：将 webhook 设为 true 会立即返回响应，并在处理完成后将转录文本发送至配置的 webhook。webhook_metadata 字段可将内部任务 ID 等自定义跟踪数据附加到每个 webhook 响应。
• 多声道音频：将 use_multi_channel 设为 true 后，每个声道将独立转录，最多支持 5 个声道，并为每个词标记 channel_index 字段。
• 专业内容处理：keyterms 参数可让转录结果倾向于最多 1,000 个特定词语或短语；entity_detection 会标记 PII 和其他敏感数据；no_verbatim 会从输出中移除语气词和不完整起句。

这些参数让你能够精细控制流程的每个环节。从语言检测、说话人标注到输出格式和交付，文本转语音 API 都能适应生产需求。

转录服务支持的语言说明

语言覆盖范围是优秀多语言转录工具的重要差异点。ElevenLabs Scribe v2 和 Scribe v2 Realtime 均支持 90 多种语言，文本转语音文档提供了完整支持语言列表。

英语、西班牙语、意大利语、波兰语、法语和德语等语言拥有更多训练数据，因此其 STT 准确度通常更高。阿姆哈拉语、干达语、约鲁巴语和祖鲁语等语言的准确度则低于上述语言。

ElevenLabs Scribe 模型在 36 种语言中的词错误率低于 5%，另外 21 种语言的 WER 低于 10%。请查看 ElevenLabs 的语言支持明细，了解支持语言及其 WER 的更多详情。

多语言转录费用是多少？

自动转录通常按音频时长计费，而非字数或涉及的语言数量。ElevenLabs 的文本转语音按音频时长收费，按每小时音频计费。具体价格因套餐和模型而异。

影响多语言转录价格的主要因素包括：

• 附加转录功能：部分服务商会对启用实体检测等特定功能额外收费。
• 多声道音频按声道计费：启用 use_multi_channel 后，每个声道将独立计费，因此双声道录音的费用约为单声道录音的 2 倍。
• 语言不影响基础费率：按时长计费意味着多语言 STT 无论支持何种语言，每小时费率都相同，可简化处理多种语言团队的预算规划。

如需了解 ElevenLabs 文本转语音的具体费用，请查看定价页面。

使用 ElevenAPI 开始精准多语言转录

ElevenAPI只需几步即可将多语言转录融入任何生产 workflow。无论是为全球媒体档案转录内容、处理客户支持互动、会议或研究访谈，还是只需要覆盖数十种语言的准确语音识别，强大的多语言 STT 引擎都能提供帮助。

探索ElevenAPI 文本转语音 API，了解全部功能；或创建 ElevenLabs 账户，立即开始转录多语言音频。

多语言转录常见问题