SuperAPI AI 工具集

speech-to-text

通用与其它

查看项目

更新于 11-14 17:17

技能介绍

本技能用于将音频转录为文字,底层通过 inference.sh 命令行工具 belt 调用模型应用。安装技能本身可使用 npx skills add belt-sh/cli;运行前需安装 inference.sh CLI(belt),并执行 belt login 登录(安装说明资料未展开)。

主要能力与模型:

  • ElevenLabs Scribe v2(App ID:elevenlabs/stt):标称 98%+ 准确率,支持说话人分离(diarization)与 90+ 种语言。
  • Fast Whisper V3(App ID:infsh/fast-whisper-large-v3):适合快速转录。
  • Whisper V3 Large(App ID:infsh/whisper-v3-large):标称为最高准确率。 Whisper 支持 99+ 种语言,资料列举英语、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: 基础转录示例:belt app run infsh/fast-whisper-large-v3 --input '{"audio_url": "https://meeting.mp3"}'。 带时间戳时,可先用 belt app sample infsh/fast-whisper-large-v3 --save input.json 生成输入样例,再在 JSON 中加入 "timestamps": true 并运行。 翻译为英文时,使用 infsh/whisper-v3-large 并在输入中设置 "task": "translate"。 从视频转录时,先用 infsh/video-audio-extractor 提取音轨,再将得到的音频 URL 交给转录模型。 制作视频字幕的流程为:先带时间戳转录视频音频,再把转录结果作为 captions 输入 infsh/caption-videos。

输出格式:返回 JSON,包含 text(完整转录文本)、segments(请求时提供的带时间戳分段)和 language(检测到的语言)。

适用场景:会议录音转录、播客文稿生成、视频字幕制作、语音笔记转可搜索文本、访谈研究整理、音频内容无障碍化。

限制与说明:资料未提供收费、价格、准确率实测条件、音频时长或文件大小限制、并发与配额等信息,这些均暂未提供;实际可用性取决于 inference.sh CLI 与相应应用服务。另可参考相关技能:ElevenLabs STT、ElevenLabs TTS、infsh-cli 完整平台技能、text-to-speech、ai-video-generation、ai-avatar-video;音频类应用可用 belt app list --category audio 浏览。