ElevenLabs Speech-to-Text：把录音转成带时间和说话人的文字、字幕

01 / 它能帮你做哪些转写工作

它能帮你做哪些转写工作

先看整条路线：你手里已有的音视频文件，发给 ElevenLabs 云端转写，换回带时间和说话人线索的文字或字幕，再回到原录音上回听核对。本文的主线是这条——拿一个现成录音，一次批量转写，得到可核对的稿子。主线用的是 scribe_v2 模型，官方把它定位在批量转写、字幕和长录音上，支持 90 多种语言。

实时转写则接收音频流，适合语音助手等应用：临时稿（partial）会继续变化，提交后的段落（committed）仍须校对。它需要开发音频接入应用并保护访问令牌；普通录音按批量路线处理即可。

批量转写按用途能给你这些：

你想要什么	它怎么帮你	用之前要知道
不用自己选语言	自动检测语言，也可以手动给语言提示；官方语言表包含中文普通话（zho）	检测结果带一个把握值，没把握就自己指定
回听时快速定位	词级或字符级时间戳，起止时间以秒计	时间由模型给出，精确核对以播放器为准
分清谁在说话	说话人分段，每个词带 speaker_id	speaker_0 只是编号，不是姓名；客服录音可另标 agent/customer 角色，需要开启说话人分段且不能与多声道同开；与说话人库匹配需要工作区里先登记过说话人资料
每人各占一轨的录音	多声道独立转写，或按时间合并成一份并标注声道	前提是每位说话人已经录在不同声道；普通混音不会被自动拆成每人一轨，多声道模式另有自己的时长和声道数上限
想补充产品名、人名的写法	keyterms 术语提示（最多 100 条）；笑声、掌声、音乐等声音事件可自动标注	提示不保证听对；keyterms 在当前 API 价表里另列收费
直接拿到能用的文件	可附加导出 TXT、SRT、DOCX、HTML、PDF、segmented_json	格式支持不等于文件已经正确下载、保存和断行，以实际交付为准

不用自己选语言: 它怎么帮你：自动检测语言，也可以手动给语言提示；官方语言表包含中文普通话（zho）
用之前要知道：检测结果带一个把握值，没把握就自己指定
回听时快速定位: 它怎么帮你：词级或字符级时间戳，起止时间以秒计
用之前要知道：时间由模型给出，精确核对以播放器为准
分清谁在说话: 它怎么帮你：说话人分段，每个词带 speaker_id
用之前要知道：speaker_0 只是编号，不是姓名；客服录音可另标 agent/customer 角色，需要开启说话人分段且不能与多声道同开；与说话人库匹配需要工作区里先登记过说话人资料
每人各占一轨的录音: 它怎么帮你：多声道独立转写，或按时间合并成一份并标注声道
用之前要知道：前提是每位说话人已经录在不同声道；普通混音不会被自动拆成每人一轨，多声道模式另有自己的时长和声道数上限
想补充产品名、人名的写法: 它怎么帮你：keyterms 术语提示（最多 100 条）；笑声、掌声、音乐等声音事件可自动标注
用之前要知道：提示不保证听对；keyterms 在当前 API 价表里另列收费
直接拿到能用的文件: 它怎么帮你：可附加导出 TXT、SRT、DOCX、HTML、PDF、segmented_json
用之前要知道：格式支持不等于文件已经正确下载、保存和断行，以实际交付为准

表之外还有几个可选开关，它们会改变稿子的样子和费用，第一次用可以先都不开：

清理口头语（no_verbatim）：去掉口头语、重复起头和非语音声音，稿子更干净，但就不再是逐字记录。要保留原话核对时别开；做纪要底稿时可以考虑。
按指令编辑（transcript_edit）：用一句自然语言指令让模型改最终稿，比如统一某个词的写法。批量线路上它不能与实体检测、实体脱敏、多声道同时使用；实时线路的编辑作用于已提交段落，也不兼容实体检测。编辑稿与原转写要分别保存。
实体标注（entity_detection）：把文字里的电话号码、人名等实体及其类型标出来。这是标注，不等于已经脱敏，也不解决上传权利的问题。

keyterms 术语提示和 transcript editing 在当前 API 价表里另列收费，价格以价目页和你的账户为准。

转写结果长什么样，官方文档给出了结构——官方文档响应结构示例，非本站实跑；示例里的英文单词和空格只是展示字段用的占位内容，不是真实录音的识别结果：

查看官方响应字段示例

{
  "text": "The full transcription text",
  "language_code": "eng",
  "language_probability": 0.98,
  "words": [
    {"text": "The", "start": 0.0, "end": 0.15, "type": "word", "speaker_id": "speaker_0"},
    {"text": " ", "start": 0.15, "end": 0.16, "type": "spacing", "speaker_id": "speaker_0"}
  ]
}

text 是全文；words 里的 start、end 是对应标记的起止秒数，便于回到录音核对，speaker_id 用来区分说话人。speaker_0 是编号，核实后才改成姓名。

官方还有两个分支在这里备查：scribe_v2_medical 面向医疗临床语音，涉及健康信息时有账户和服务条款的额外条件，本文不作医疗使用介绍；实时线路另有 turbo、lite 两个变体，同样是给开发应用用的。普通起步，用你有权处理的普通材料走批量主线就够了。要用上它，下一步是把技能装到智能体读得到的地方。

02 / 装到哪里，先准备什么

装到哪里，先准备什么

这个技能是一份说明文件，要装在智能体读得到的地方。前提有三条：智能体支持 Agent Skills 标准；它能读写本地文件；它能执行需要的依赖。ElevenLabs 官方给出的兼容范围是“支持 Agent Skills 的代码助手”；本文没有逐宿主实测。下面以 Codex 在本地项目里的用法作例子——目录规则依据 Skills CLI 和 Codex 官方文档，不是 ElevenLabs 的逐宿主测试结论。

还没有装好 Codex 的话，先照 Codex 官方 quickstart 完成安装、登录并打开一个项目文件夹，再回到这一节。

然后：

建一个自己的转写文件夹，比如 ~/transcribe，在智能体里打开它。录音和之后产出的文件都放在这个项目里。
开一个终端，确认当前目录就是这个项目，Windows 上用 PowerShell 同样可以。取技能靠 Node 和 npx，这里假设你的机器已经具备。

在项目目录执行：

npx skills add https://github.com/elevenlabs/skills --skill speech-to-text

这条命令只取 speech-to-text 这一个技能，不会把 ElevenLabs 仓库里的其他技能一起装进来。以 Codex 为例：宿主选 Codex，范围选 Project，技能会落到项目的 .agents/skills/speech-to-text 目录。装完后让智能体报告它实际看到的技能路径，并读取 SKILL.md 确认内容；Codex 会从相应目录自动发现技能，没看到的话重启 Codex 再试。技能出现在列表里只说明文件就位了，离转写能跑还有一步。

这一步是服务侧的准备：ElevenLabs 账户、项目获得 API 授权、网络，以及可用的额度。项目还没有配置 ELEVENLABS_API_KEY 的话，官方指定的入口是在项目文件夹里运行：

npx -y @elevenlabs/cli@latest onboard init

跟着命令打印的提示走：它会带你登录，并把密钥存进这个项目。登录由你本人完成，密钥留在本机或系统凭据位置，不要贴进对话里。这是服务连接的准备步骤，不是安装技能的第二种方法——装技能仍然用上一条命令。

装技能不会附送账户、额度或运行环境。首次使用可以让智能体按官方 CLI 这一条路线检查依赖和授权、报告还缺什么，按官方指南补齐，不必同时装 Python 和 JS 两套 SDK。

到这里有一句话要先放在前面：从下一步起，转写会把你的音视频发送到 ElevenLabs 的云端，并可能计费。只有你有权提供给这项服务、并符合其年龄与隐私条件的材料才适合继续；上传前先看一遍本文“采用前看清费用与云端边界”一节。本文不实际执行安装、授权或任何一次转写。

03 / 交出录音后，怎样找到和更正结果

交出录音后，怎样找到和更正结果

把你有权上传的录音副本放进同一个项目文件夹。本文假设文件名是 recording.mp3，你的文件名不同就在请求里替换；智能体支持附件的话，也可以直接附上文件，并在请求里说明改用附件。MP3、WAV、M4A 这类音频，MP4、MOV 这类视频，都在官方支持范围里；普通批量和多声道的格式、大小、时长限制不同，不保证每个文件都一次成功。

第一条消息只做检查，不上传任何东西：

发送给智能体的请求

请先做一次安装后检查，不要上传任何文件，也不要调用转写服务： 1. 读取你已安装的 speech-to-text 技能，报告实际路径，说明它需要的运行依赖； 2. 检查当前项目是否已配置 ELEVENLABS_API_KEY，只报告“已配置”或“未配置”，不要把密钥内容显示出来； 3. 列出还缺什么（账户授权、CLI、网络、额度等），并告诉我每一项该按哪个官方指南准备。在我明确说开始之前，不要发起任何转写。

这条请求本文没有执行过。它只是让你在真正上传前确认配置；流程中需要你本人网页登录时，让智能体给你官方指引。

确认就绪、并且你明确愿意云上传之后，第二条消息才开始转写：

发送给智能体的请求

现在转写当前项目里的 recording.mp3： - 使用 speech-to-text 技能，模型用 scribe_v2，做忠实于原话的转写；录音以中文为主，可以带中文语言提示； - 开启说话人分段，每个词保留说话人编号，按词保留时间戳； - 输出两份文件：可核对的纯文字稿存到 output/transcript.txt，带时间轴的字幕存到 output/subtitles.srt，完成后说明实际采用的模型与选项，返回这两份文件的完整路径； - 不要把内容改写成纪要或摘要；保留这次的原转写副本； - 拿不准的专有名词和数字单独列成清单，等我回听核对，不要编造录音里没有讲过的内容； - 第一次不做自动清理、不改写、不做实体检测； - 任何一步失败就报告失败项和原因，不要用部分结果顶替完整转写。

这条同样未执行——它是供你照抄修改的起点，不是一次真实转写的记录。想让模型优先听对产品名、人名，可以在请求里附加 keyterms 术语提示，注意这项在当前 API 价表里另列收费。

转写完成后，智能体应该报告两份文件的完整路径。先在文件管理器里确认它们确实在，然后进入最关键的一步：回听核对。

在本机文本编辑器打开 output/transcript.txt，对照播放器逐段回听原录音。重点核对：专有名词、数字、否定词（“没”和“每”一字之差，意思相反）、说话人切换的位置、有没有漏句或两人重叠说话，再用文本编辑器打开 output/subtitles.srt，核对每条字幕的起止时间和断行。
speaker_0、speaker_1 是转写服务的编号，不是姓名。哪一段是谁说的，以你回听到的为准，确认后再把编号改成真实称呼。
发现错处，按时间段向智能体定点提修改：哪一段（起止时间）、原稿写成了什么、你回听到的正确内容、该段的说话人是谁，一次说清，并要求它同步更新 transcript.txt 和 subtitles.srt 里对应的内容、保留原转写副本。改完后你重新打开两份文件，回听修正那一段和前后相邻的部分，确认改对了、也没改坏别处。
把 SRT 导入你自己已有的字幕工具或剪辑软件预览，单独核对保存出来的文件。各软件对字幕格式的支持不同，不保证都能顺利导入和保存。

到这一步，你手上有几样各自身份清楚的东西：原录音、第一次的原转写、核对后的修正版，以及以后的纪要、整理稿。它们各自另存，纪要不要覆盖原文——将来发现整理时改错了什么，原文还在。反过来也要清楚：文件打得开、看得通，不等于内容已经准确；两份文件都重新打开核对过，这一轮才算完成。

04 / 采用前看清费用与云端边界

采用前看清费用与云端边界

最容易混的一件事先说清：技能文件按 MIT 许可发布，取得它是免费的；但转写跑在 ElevenLabs 云端，按你的账户计费。你的智能体本身怎么收费是另一回事，两者互不覆盖。“技能免费”不等于“转写免费”。

ElevenLabs 有专门的 API 价目页（elevenlabs.io/pricing/api），按批量、实时、医疗等模型和时长档位列价，keyterms 提示和 transcript editing（转写编辑）单独列为收费项。价格随计划不同，以价目页和你自己账户的账单为准；本文不引用具体单价，也不替你确认免费额度。

上传之后数据会怎样，当前一般隐私政策里有几件直接影响决定的事。ElevenLabs 作为数据处理者服务企业客户时，相关客户协议另行适用：

上传的输入、得到的输出和语音数据，可能用于 AI 模型的研究、训练与改进。不想参与，可在账户的 Terms and Privacy → Data use 里退出之后的使用；退出不追溯此前已发生的使用。
数据会转移到美国存储。常规留存按提供服务、法律等需要来，没有“转完立即删除”的默认承诺；企业客户可以按合同另约数据驻留或零留存，那不是所有账户改一个日志开关就能得到的。
你需要有权利提供这段录音，并向服务授予相应使用许可。拥有音频文件不等于拿到了所有说话人的授权。
当前隐私政策禁止上传未成年人的语音。

适用条款（本文核对的是非 EEA 地区版本）还限定：未满 18 周岁或当地法定成年年龄不能使用；免费计划限非商用，付费可商用但仍受使用限制。你所在地区和账户类型适用的可能是另一个版本，用之前按自己看到的条款核对。医疗专用模型也不改变健康信息的服务条件——涉及受保护健康信息时，服务条款要求已签 BAA，这类材料不在本文范围内。这些边界都不因技能文件是 MIT 而消失。

偶尔转写一次、又不想为此配置 API，可以先看看手头工具自带的转写入口够不够用。本文没有做过精度或费用的对比测试，不下这个 Skill 比别的入口更准或更省的结论。

05 / 来源、许可与更新

来源、许可与更新

本文内容依据以下官方来源，想回到上游核对内容或查更新，入口如下：

官方仓库与单项说明：elevenlabs/skills、speech-to-text 的 SKILL.md。
本文唯一安装命令的出处：skills.sh 单项页面；Skills CLI 的项目范围与宿主目录说明。
所选技能参考：安装与服务授权、转写选项与格式、实时接入参考。
ElevenLabs 服务：Speech-to-Text 产品页、API 专用价目、隐私政策、适用条款入口。训练数据退出入口在账户的 Terms and Privacy → Data use。
Codex 的安装与项目准备：官方 quickstart；技能目录与加载规则：官方 Skills 文档。

材料的时间范围：仓库内容取自 2026-10-25 的快照，相关官方网页在 2026-11-01 核对过；快照没有对应已确认的仓库提交号，与仓库当前状态可能有出入。本文是来源导读和起步请求的示例：没有做过真实音频转写，也没有验证过转写精度；请求发出后拿到什么、哪里要改，以你自己项目里的实际结果为准。