Click to upload or drag and drop
Supported formats: MPEG, WAV, X-WAV, AAC, MP4, OGG Maximum file size: 200MB
URL of the audio file to transcribe
Language code of the audio
Tag audio events like laughter, applause, etc.
Whether to annotate who is speaking
A configurable parameter. Defaults to true in the Playground.
Complete guide to using
ElevenLabs语音转文本API
通过ElevenLabs Scribe API，将音频转化为精准文本，支持99种语言、讲者分离、音频事件标签，API定价实惠，专为开发者优化。
ElevenLabs Scribe v1 API：以卓越精度将语音转录为文本
ElevenLabs语音转文本API旨在将语音音频转换为精准、清晰且结构化的文本，具有行业领先的精度。由ElevenLabs Scribe v1模型驱动，能够应对背景噪音、多讲者和不同口音等复杂音频环境挑战。开发者可轻松将音频转录为99种语言的文本，适用于应用程序、媒体和企业工作流。
ElevenLabs Scribe v1 API 的强大功能
支持99种语言的语音识别功能
ElevenLabs语音转文本API支持99种语言的自动转录，包括塞尔维亚语和马拉雅拉姆语等较少使用的语言。无论您是在开发多语言应用程序、转录国际销售电话，还是为全球媒体制作字幕，Scribe ASR模型都能确保在各种口音和方言中保持高准确度，无需手动切换语言。
行业领先的准确度
ElevenLabs语音转文本API在准确度上处于行业领先地位，按照FLEURS基准，英语的单词错误率低至3.3%，意大利语为1.3%。它在嘈杂环境、各种口音和自然语音中表现优异，非常适合用于播客、访谈或会议的音频转录。
字符级时间戳，精确对齐
实时预览，精确显示每个单词的发音时刻。通过字符级时间戳，开发者可精确捕捉每个单词的发音时刻。此功能对于字幕、隐形字幕以及时间同步的转录至关重要。通过使用ElevenLabs Scribe API，您可以实现精准对齐的音频转文本，为用户提供更加流畅的阅读与观看体验。
支持多讲者音频的讲者分离功能
ElevenLabs 语音转文本 API 可在单段录音中识别最多 32 位讲者，并为每位讲者进行精准标注。该功能非常适用于会议或座谈会的转录，确保每个讲者的身份标注清晰。开发者可利用讲者分离生成结构化、可搜索的转录文本，提高协作或媒体项目的效率。
音频事件标签，丰富转录内容
ElevenLabs Scribe API 不仅能转录语音，还可标记笑声、掌声等非语言声音，为音频转文本结果增添更多上下文。该音频事件标签功能为转录提供更多背景信息，使内容更为生动。语音转文本 API 输出结构化 JSON，便于集成到创意工作流程。
ElevenLabs 语音转文本 API 与其他 ASR 模型对比
ElevenLabs 语音转文本 API 采用 Scribe v1 模型，在音频转文本领域处于领先地位，具备卓越的准确性、支持 99 种语言，并提供讲者分离等高级能力。与 OpenAI Whisper、Google Cloud 语音转文本和 AWS Transcribe 相比，它在应对真实世界音频挑战方面表现更优。虽然 OpenAI Whisper 在成本效益方面表现出色，但缺少原生讲者分离；Google Cloud 虽然提供强大的流式转录能力，但整体成本更高；AWS 虽然具备合规优势，但在多语言准确性方面不及 ElevenLabs。
| 功能 | ElevenLabs Scribe v1 | OpenAI Whisper | Google Cloud 语音转文本 | AWS Transcribe |
|---|---|---|---|---|
| WER (English) | 3.3% (FLEURS) | 7.7% (Indonesian) | Higher in accents | Higher in noise |
| Languages | 99, auto-detection | ~99, translation | 125+, ecosystem | 100+, streaming |
| Diarization | Up to 32 speakers | None (add-ons) | Limited precision | Custom setup |
| Event Tagging | Applause and various non-verbal cues | Not supported | Limited | Not supported |
| Latency | Low for optimized formats | Hardware-dependent | Real-time streaming | Streaming-focused |
为何选择 Kie.ai 提供的 ElevenLabs 语音转文本 API
实惠的语音转文本 API 定价
Kie.ai 通过灵活的积分计费系统提供 ElevenLabs 语音转文本 API，开发者根据使用量付费，轻松进行测试、扩展和功能集成。与 ElevenLabs 官方方案及其他服务商（如 Fal）相比，Kie.ai 以更低成本提供同样高质量的语音识别服务。
全面的 API 文档和开发者支持
借助详细的 ElevenLabs API 文档，集成过程变得更加轻松。Kie.ai 提供清晰的示例、代码片段和技术指南，帮助开发者迅速入门。专门的支持渠道确保顺利接入并高效解决问题。
创新、可靠并具备可扩展性的基础设施
Kie.ai 提供 99.9% 高可用性并支持高并发，确保语音转文本 API 无论在单用户应用还是企业级工作负载下都能稳定运行。无论是处理简短语音记录还是大规模会议转录，开发者可以依赖其稳定和高效的表现。
如何在 Kie.ai 平台上集成 ElevenLabs STT API
第一步：获取语音转文本 API 密钥
在 Kie.ai 注册账号以获取 API 密钥。该密钥可安全地访问 ElevenLabs 语音转文本 API，用于身份验证并发起调用。
第二步：创建转录任务
发送请求到任务接口，模型设置为 "elevenlabs/speech-to-text"。提供音频文件 URL 和可选参数，如 language_code、tag_audio_events 或 diarize，以便根据您的需求定制语音识别API。
第三步：获取转录结果
检查任务状态或使用 callBackUrl 自动获取转录结果。ElevenLabs Scribe API 返回结构化的 JSON 输出，可与应用程序、字幕或企业工作流集成使用 STT API。