用途：通过 inference.sh 命令行工具（infsh）将音频转写为文本，可选 ElevenLabs Scribe 与 Whisper 系列模型。
主要能力：ElevenLabs Scribe v2（elevenlabs/stt）主打 98%+ 准确率、说话人分离与 90+ 语言；Fast Whisper V3（infsh/fast-whisper-large-v3）适合快速转写；Whisper V3 Large（infsh/whisper-v3-large）追求最高准确率。Whisper 支持 99+ 语言。输出为 JSON，含 text（完整转写）、segments（请求时间戳时的时间分段）、language（检测到的语言）。
使用方式：需先安装 infsh CLI 并登录：infsh login。基本转写：infsh app run infsh/fast-whisper-large-v3 --input '{"audio_url": "https://audio.mp3"}'。带时间戳可先用 infsh app sample infsh/fast-whisper-large-v3 --save input.json 生成样例输入，再设置 timestamps 为 true 后运行。翻译为英文可对 whisper-v3-large 传入 task: translate。处理视频需先用 infsh app run infsh/video-audio-extractor 提取音频，再转写；也可结合 infsh/caption-videos 生成字幕。
适用场景：会议记录、播客转写、视频字幕、语音备忘转可搜索文本、访谈研究转写、无障碍访问。
限制：资料未提供价格、配额、音频时长或格式限制、准确率实测条件等信息；实际效果与可用模型以平台为准。