用途：调用 ElevenLabs Scribe v2 系列模型，将音频或视频转写为文本，可用于音视频转文字、生成字幕、会议记录、通话转写、临床听写与实时语音转写。
主要能力：支持 90+ 语言并自动检测语言，可用 language_code 提示（ISO 639-1/639-3）；提供词级时间戳，并可标注词类型（word、spacing、audio_event）与说话人；说话人分离（diarize=true）可标注每句话由谁说出，通话录音可配合 detect_speaker_roles=true 将说话人标为 agent 与 customer，但不能与 use_multi_channel=true 同时使用；若工作区已注册说话人档案，可用 use_speaker_library=true 匹配；多通道音频用 use_multi_channel=true，默认每通道返回一份转写，设 multichannel_output_style="combined" 可按时间戳合并并保留 channel_index；支持关键术语提示（keyterms，最多 100 个）帮助识别产品名、术语和特殊拼写。
模型：scribe_v2 适合批量转写、字幕与长音频；scribe_v2_medical 面向医疗与临床音频；scribe_v2_realtime 低延迟（约 150ms）用于实时转写与语音智能体；另有 scribe_v2_realtime_turbo、scribe_v2_realtime_lite 实时变体。
使用方式：Python 用 from elevenlabs import ElevenLabs，调用 client.speech_to_text.convert(file=audio_file, model_id="scribe_v2")；JavaScript 使用 @elevenlabs/elevenlabs-js 的 ElevenLabsClient 与 client.speechToText.convert；CLI 示例：elevenlabs speech-to-text convert --file audio.mp3 --model-id scribe_v2。实时可服务端用 client.speech_to_text.realtime.connect(model_id="scribe_v2_realtime") 并以 stream_url 输入，客户端 React 用 @elevenlabs/react 的 useScribe，提交策略可选 Manual 或 VAD（静音自动提交），VAD 可调 vadSilenceThresholdSecs 与 vadThreshold。客户端不应暴露 API 密钥，需从后端获取 token。
支持格式与限制：音频 MP3、WAV、M4A、FLAC、OGG、WebM、AAC、AIFF、Opus；视频 MP4、AVI、MKV、MOV、WMV、FLV、WebM、MPEG、3GPP；文件最大 5.0GB、时长最长 10 小时。常见错误包括 401 无效 API 密钥、422 参数无效、429 超限。费用与价格资料暂未提供。