用途 该技能用于将音频转写为文本，底层通过 inference.sh CLI（belt）运行相应的转写应用。适用于会议记录、播客文稿、视频字幕、语音笔记、访谈研究转写以及为音频内容提供无障碍文本等场景。
主要能力 据资料，可选的模型与应用包括：
- ElevenLabs Scribe v2：应用 ID 为 elevenlabs/stt，资料标注为 98%+ 准确率、支持说话人分离（diarization）、90+ 语言，适合对准确性和多说话人场景有要求的转写。
- Fast Whisper V3：应用 ID 为 infsh/fast-whisper-large-v3，定位为快速转写。
- Whisper V3 Large：应用 ID 为 infsh/whisper-v3-large，定位为最高准确率。
支持按需返回带时间戳的分段结果，可将非英语音频翻译为英语（task 设为 translate），也可先从视频中提取音频再进行转写，并可与字幕应用配合为视频生成字幕。Whisper 据资料支持 99+ 种语言，包括英语、西班牙语、法语、德语、意大利语、葡萄牙语、中文、日语、韩语、阿拉伯语、印地语、俄语等。
使用方式 需先安装并登录 inference.sh CLI（belt）。资料给出的安装命令为：npx skills add belt-sh/cli。登录命令为：belt login。
基本转写示例：belt app run infsh/fast-whisper-large-v3 --input '{"audio_url": "https://meeting.mp3"}'。
带时间戳的示例：先执行 belt app sample infsh/fast-whisper-large-v3 --save input.json，然后在 input.json 中写入 {"audio_url": "https://podcast.mp3", "timestamps": true}，再运行 belt app run infsh/fast-whisper-large-v3 --input input.json。
翻译为英语的示例：belt app run infsh/whisper-v3-large --input '{ "audio_url": "https://french-audio.mp3", "task": "translate" }'。
从视频转写：先提取音频 belt app run infsh/video-audio-extractor --input '{"video_url": "https://video.mp4"}' > audio.json，再对得到的音频地址执行转写。
视频字幕工作流：第一步转写视频音频并带时间戳，将结果保存为 transcript.json；第二步使用字幕应用 belt app run infsh/caption-videos --input '{ "video_url": "https://video.mp4", "captions": "<transcript-from-step-1>" }'。
输出格式 返回 JSON，包含：text（完整转写文本）、segments（如请求时间戳则为带时间戳的分段）、language（检测到的语言）。
相关技能 资料列出以下相关技能安装命令：
- ElevenLabs STT：npx skills add inference-sh/skills@elevenlabs-stt
- ElevenLabs TTS：npx skills add inference-sh/skills@elevenlabs-tts
- 平台完整技能：npx skills add inference-sh/skills@infsh-cli
- 文本转语音：npx skills add inference-sh/skills@text-to-speech
- 视频生成：npx skills add inference-sh/skills@ai-video-generation
- AI 数字人：npx skills add inference-sh/skills@ai-avatar-video 另可浏览音频类应用：belt app list --category audio。
限制 资料未提供各模型的价格、配额、响应时长、并发限制或隐私与数据保留政策，暂未提供。准确率与语言数量等为资料中的标注，未提供独立验证信息。