什么是多语言转录，如何实现？

无论是举办国际会议，还是希望准确记录任意语言的客服对话，多语言转录都比以往更加重要。

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。开发者现在还可以将强大的 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，简要说明如何通过桌面应用和 API 使用它，并解释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，或集成文本转语音 API，用于开发 workflow。
• 自动转录兼顾速度与规模，而在多位说话人重叠、内容密集的场景中，人工转录可能更有帮助。
• 多语言转录准确率通过词错误率（WER）衡量，不同语言的结果有所不同。

什么是多语言转录，为什么重要？

多语言转录可将一种以上语言的语音转换为书面文本。AI 系统会自动检测所说的语言，并转录音频。多语言 STT 的输出可以是逐字稿，也可以包含翻译层，将输入语言统一为一种通用输出语言。

例如，在全球会议上，发言人可能会收到以母语提出的问题。多语言文本转语音工具既可直接以每位发言人的语言转录其内容，也可生成一种目标语言的统一输出，供观众阅读。组织可通过这些 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

近期研究表明，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，是多语言 STT 广泛的应用场景。

多语言转录的重要实用原因包括：

• 无障碍：翻译或配音开始前，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的文本，让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；清晰的转录有助于建立完整的输入参考资料。
• 合规：许多受监管行业需要可审计的语音互动书面记录，多语言 STT 让你能够支持客户使用的每种语言。例如，金融行为监管局规定，金融机构必须保留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 都始于一份高度准确的初始转录稿。优质的多语言转录工具为更广泛的全球内容分发流程提供第一步支持。

多语言转录是众多行业的必要环节：电信服务商转录客服通话、金融服务公司满足合规要求、医疗团队记录患者互动，甚至电影工作室本地化内容。无论你身处 SaaS、旅游还是公用事业行业，部署强大的系统都能确保输出的转录稿始终高质量且准确。

选择多语言转录解决方案时应关注的核心功能

多语言转录工具需能适应所处理的音频输入，动态识别语言并高精度转录。

优质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的语言，而非要求用户提供源语言后才能转录。尤其是在输入语言未知或片段包含多种语言的场景中，自动语言检测可让你无需手动配置即可管理多种语言。
• 说话人分离：说话人分离会将转录文本归属到文件中的正确说话人，对于包含多位说话人的音频转录十分重要。例如，你可能需要区分小组讨论中的多位成员，或清晰划分客户与客服人员的发言。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或专有名词等特定词汇，以确保转录正确。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稿中的特定词语，对于保护敏感数据的合规与安全工作至关重要。请查看 ElevenLabs 的实体检测文档，了解支持的 56 类实体详情。
• 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。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，让你可借助可靠的 STT 系统，准确覆盖多种语言。

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你的工作量。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稿。

在ElevenCreative中，转录音频只需以下几步：

1. 上传音频：前往文本转语音，然后点击“转录文件”。
2. 选择选项：选择主要语言或保留为“检测”；如果要标记笑声或其他非语音事件，请开启音频事件；必要时添加关键词。
3. 查看结果：上传文件后，点击音频文件名称即可查看转录稿。你可以直接在转录编辑器中审核和优化转录稿，再导出为后续各 workflow 所需的格式。

如需通过程序进行转录或处理大量转录任务，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，让流程指定具体模型，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。直接提供语言信息可提升性能。
• 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 参数调整不同说话人之间的权衡。
• 时间戳精度：timestamps_granularity 参数控制输出细节，可选择词级或字符级时间戳（也可不输出）。
• 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稿发送到配置的 webhook。webhook_metadata 字段会将自定义跟踪数据（如内部任务 ID）附加到每个 webhook 响应。
• 多声道音频：将 use_multi_channel 设为 true 会独立转录每个声道，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 参数可使转录倾向于最多 1,000 个特定词语或短语，entity_detection 可标记 PII 和其他敏感数据，no_verbatim 会从输出中移除填充词和口误开头。

这些参数让你能够精细控制流程的每个阶段。从语言检测和说话人标注，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

语言覆盖范围是区分优秀多语言转录工具的关键因素。ElevenLabs Scribe v2 和 Scribe v2 Realtime 均支持 90 多种语言，文本转语音文档提供完整支持语言列表。

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，因此通常能实现更高准确率的 STT。阿姆哈拉语、甘达语、约鲁巴语和祖鲁语等语言的准确率则低于上述语言。

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

多语言转录的费用是多少？

自动转录通常按音频文件时长计费，而非按字数或涉及的语言数量计费。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：部分服务商会针对启用实体检测等功能收取额外费用。
• 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两倍。
• 语言不会改变基础费率：按时长计费意味着多语言 STT 可以支持任何语言，同时维持相同的每小时费率，方便处理多种语言的团队制定预算。

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 开始准确的多语言转录

ElevenAPI只需几步即可将多语言转录引入任何生产 workflow。无论是为全球媒体档案转录内容、客户支持互动、会议或研究访谈进行转录，还是仅需跨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，了解其完整功能；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