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户支持对话，多语言转录都变得比以往任何时候都更重要。

多语言转录工具可将音频数据转为准确、可搜索的文本，让对话变成可用记录。支持多语言转录的技术，随着文本转语音（STT）模型的研究不断成熟。开发者现在甚至可以将强大的 STT API 集成到工作流程中，搭建复杂的多语言转录流程。

本文将介绍多语言转录的概念，简要说明其在桌面应用和 API 中的实现方式，并展示其对全球企业的重要性。

摘要

• 多语言转录可将一段音频文件转为多种语言的文本。
• 优秀的多语言转录工具还支持说话人分离、关键词提示、实体识别等功能。
• 你可以在线使用多语言转录工具，或集成 Speech to Text API 到开发流程中。
• 自动转录适合大批量和高效率场景，而多人重叠说话等复杂情况下，人工转录可能更有用。
• 多语言转录的准确率通常用词错误率（WER）衡量，不同语言的 WER 会有差异。

什么是多语言转录，有什么意义？

多语言转录可将语音音频转为多种语言的文本。AI 系统会自动识别音频中的语言（或多种语言）并进行转录。多语言 STT 的输出可以是逐字稿，也可以包含翻译层，将多种输入语言统一为一种输出语言。

例如，在全球会议中，发言人可能用母语回答问题。多语言文本转语音工具可以直接转录每位发言人的原语言内容，也可以输出目标语言的统一文本，方便观众阅读。企业通过这些 STT 工具，可以提升活动的可达性。

ElevenLabs 已将多语言 STT 能力直接集成到我们的文本转语音 Scribe v2 模型中。Scribe v2 支持自动语言识别，单个文件可包含多种语言。你可以指定音频片段中的语言，也可以选择“自动检测”，让系统识别上传文件中的所有语言。

使用 ElevenAPI 时，language_code 参数默认自动预测。如果已知音频包含哪些语言，提前指定可提升性能。

多语言转录的重要性

最新研究显示，全球转录服务市场规模将在2035 年达到 60 亿美元。推动其增长的部分原因，是多语言 STT 的广泛应用场景。

多语言转录之所以重要，有几个实际原因：

• 无障碍： 字幕和配音前，必须先有准确的多语言转录。多语言 STT 能大幅提升用户可访问性。
• 可搜索性： 转录后的音频可变为可索引文本，让支持电话或会议内容成为有用资源。随着 AI 系统越来越多地调用内部文档数据，清晰的转录有助于构建全面的输入参考。
• 合规性： 许多受监管行业需要对语音交流进行可审计的书面记录，多语言 STT 可支持客户使用的所有语言。例如，金融行为监管局 要求金融机构保存电话录音和转录文本。
• 全球内容流程：无论是配音还是字幕，流程都始于高质量的初始转录。优质的多语言转录工具为全球内容分发流程打下基础。

多语言转录已成为众多行业的必需品：电信公司转录支持电话、金融服务公司满足合规要求、医疗团队记录患者交流，甚至电影公司本地化内容。无论你在 SaaS、旅游还是公用事业行业，强大的转录系统都能确保输出文本始终高质量、精准。

多语言转录解决方案应具备的核心功能

多语言转录工具需能适应不同音频输入，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：

• 自动语言识别： 系统应能自动识别语音语言，而不是等用户手动指定后才开始转录。尤其在输入语言未知或包含多种语言的片段中，自动识别可让你无需手动配置即可处理多语言。
• 说话人分离： 分离功能可将转录文本分配给正确的说话人，适用于包含多位说话人的音频。例如，圆桌讨论中需要区分多位嘉宾，或区分客户与支持人员的发言。Scribe v2 支持单文件最多 32 位说话人分离。
• 关键词提示： 关键词功能允许用户手动输入特定词汇，如产品名或专有名词，确保转录准确。在批量系统中，Scribe v2 支持最多1,000 个关键词，Scribe v2 Realtime 实时转录支持最多 50 个。
• 实体识别： 实体识别可在转录文本中标记特定词语，对于合规和安全场景下保护敏感数据非常重要。详细功能可参考 ElevenLabs实体识别文档，了解支持的 56 种实体类型。
• 广泛语言支持： 优秀的多语言 STT 解决方案应支持极为丰富的语言转录。以 Scribe v2 为例，已支持 90 多种语言的高精度转录。

这些能力结合起来，可支持多种应用场景，让你拥有覆盖多语言的可靠 STT 系统。

如何高效转录不同语言的音频

高效转录不同语言音频的方式，取决于你的具体需求。对于单次批量文件，可在 ElevenLabs 文本转语音页面上传音频，快速获取转录结果。

在ElevenCreative中，转录音频只需：

1. 上传音频： 进入文本转语音，点击“转录文件”。
2. 选择设置： 选择主语言或保持“自动检测”，如需标记笑声等非语音事件可开启音频事件，必要时添加关键词。
3. 查看结果： 上传文件后，可点击音频文件名查看转录内容。你可以在转录编辑器中直接审阅和修改文本，然后导出为下游流程所需格式。

如需程序化或大批量转录，请使用Speech to Text API。以下是可用于生产流程的部分参数说明：

• 模型选择：model_id 参数可在 scribe_v2 和 scribe_v1 之间选择，确保流程使用指定模型，而不是随默认值变化。
• 语言处理：language_code 参数支持ISO-639-1或ISO-639-3 代码，未设置时默认自动检测。直接指定语言可提升性能。
• 说话人分离控制： 将 diarize 设为 true 可标注说话人，num_speakers 参数可设置 1 到 32。需要更细致控制时，可用 diarization_threshold 参数调整说话人区分度。
• 时间戳精度：timestamps_granularity 参数控制输出细节，可选择词级、字符级时间戳或无时间戳。
• 大规模异步处理：webhook 设为 true 时会立即返回响应，处理完成后将转录结果推送到你配置的 webhook。webhook_metadata 字段可附加自定义追踪信息，如内部任务 ID。
• 多通道音频：use_multi_channel 设为 true 时，每个通道独立转录，最多支持 5 个通道，每个词会标记 channel_index 字段。
• 专业内容处理：keyterms 参数可让转录更倾向于最多 1,000 个特定词或短语，entity_detection 可标记 PII 及其他敏感数据，no_verbatim 可去除语气词和重复起始词。

这些参数让你能精细控制流程每一步。从语言识别、说话人标注到输出格式和交付，Speech to Text API 可灵活适配生产需求。

多语言转录服务支持的语言说明

语言覆盖范围是区分优质多语言转录工具的重要标准。ElevenLabs Scribe v2 和 Scribe v2 Realtime 均支持 90 多种语言，完整列表可在文本转语音文档中查看支持语言列表。

英语、西班牙语、意大利语、波兰语、法语和德语等语言训练数据量大，STT 准确率更高。部分语言如阿姆哈拉语、卢干达语、约鲁巴语和祖鲁语，准确率相对较低。

ElevenLabs Scribe 模型在 36 种语言下词错误率（WER）低于 5%词错误率，另有 21 种语言低于 10%。详细支持情况可参考 ElevenLabs语言支持详情，了解各语言及其 WER。

多语言转录的费用是多少？

通常，自动转录的计费方式按音频时长计算，而不是按字数或语言数量。ElevenLabs 的文本转语音服务按音频时长计费，每小时结算，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有：

• 附加转录功能： 部分服务商启用某些功能（如实体识别）会收取额外费用。
• 多通道音频按通道计费： 启用 use_multi_channel 后，每个通道单独计费，因此双通道录音费用约为单通道的两倍。
• 语言不影响基础费率： 按时长计费意味着多语言 STT 可支持任意语言，且每小时费率不变，方便多语言团队预算。

关于 ElevenLabs 文本转语音的详细费用，请参考我们的价格页面。

用 ElevenAPI 开启高精度多语言转录

ElevenAPI 只需几步即可将多语言转录集成到任意生产流程。无论是为全球媒体档案、客户支持对话、会议、研究访谈转录内容，还是需要多语言高精度语音识别，我们强大的多语言 STT 引擎都能满足需求。

了解ElevenAPI Speech to Text API的全部功能，或创建 ElevenLabs 账户，立即开始多语言音频转录。

多语言转录常见问题