用途：将音频或视频转写为文本，适用于字幕生成、会议记录、访谈整理等场景。基于 ElevenLabs Scribe v2 模型，支持90余种语言。
主要能力：提供两个模型，scribe_v2 精度高，适合批量转写、字幕与长音频；scribe_v2_realtime 延迟约150毫秒，适合实时转写与语音智能体。支持词级时间戳（含类型与说话人标识）、说话人分离、keyterm 提示（最多100个词）、语言自动检测与语言提示。支持音频格式 MP3、WAV、M4A、FLAC、OGG、WebM、AAC、AIFF、Opus，视频格式 MP4、AVI、MKV、MOV、WMV、FLV、WebM、MPEG、3GPP；上限为3GB文件、10小时时长。
使用方式：Python 使用 elevenlabs 包，JavaScript 使用 @elevenlabs/* 包。批量示例：client.speech_to_text.convert(file=audio_file, model_id="scribe_v2")。也可用 cURL 调用 https://api.elevenlabs.io/v1/speech-to-text，携带 xi-api-key 头，以 -F 参数传 file 与 model_id。说话人分离需设 diarize=true，通话录音可加 detect_speaker_roles=true 将说话人标注为 agent 与 customer，但该选项与 use_multi_channel=true 不兼容。实时流式使用 connect 连接，区分 partial_transcript 与 committed_transcript，提交策略可选手动或 VAD 自动提交。
限制与说明：API 密钥不应暴露给客户端，浏览器端需从后端获取 token。常见错误包括401（密钥无效）、422（参数无效）、429（超出速率限制）。可通过响应头 request-id 跟踪用量。价格、计费方式及安装细节资料未提供。