用途：ElevenLabs Scribe 用于语音转文字生产流程，包括音频/视频转写、字幕时间轴、带说话人标签的访谈记录、播客剪辑准备、无障碍字幕、本地化交接、通话/访谈分析和转写清理。它只从已有音频/视频生成文本、时间与元数据，不用于文本转语音、配音、声音克隆或翻译；转写验证且用户拥有改造权后，才可接配音或 TTS 技能。
主要能力：批量转写用 scribe_v2，官方称支持 90+ 语言、词级时间戳、最多 32 说话人分离、动态音频标记、关键术语提示、实体检测和智能语言检测。实时流式场景用 scribe_v2_realtime（WebSocket）。scribe_v1 已宣布移除，新工作应迁移到 v2。
使用方式：批量端点 POST https://api.elevenlabs.io/v1/speech-to-text，multipart 表单，提供 file 或 source_url 之一。常用参数：model_id="scribe_v2"、language_code、timestamps_granularity（word/character/none）、tag_audio_events、diarize、num_speakers、diarization_threshold、keyterms、no_verbatim。多通道用 use_multi_channel=true、diarize=false，最多 5 通道，输出可选 separate 或 combined。长任务可设 webhook=true 异步交付，需 HTTPS 并验证签名。
适用场景：单说话人转写、混合音轨说话人分离、多通道隔离录音、字幕草稿、剪辑决策、通话分析、实体检测与脱敏审查。
限制：文件大小文档存在 5GB 与 3GB 冲突，建议按 3GB 保守预检；多通道时长文档存在 10 小时与 1 小时冲突，建议按 1 小时规划并分块。combined 多通道输出不支持 webhook、实体检测或脱敏。分离标签不等于身份确认。定价与保留策略易变，官方 2026-07-10 列出 Scribe v1/v2 每小时 $0.22、实时 $0.39、实体检测 $0.070，关键术语计费口径存在冲突。零保留模式仅部分企业客户可用，HIPAA 需先签 BAA。上传前须确认权利、同意与隐私要求。