用途：该技能通过 inference.sh 命令行工具（infsh）调用 ElevenLabs 语音转文字服务，使用 Scribe 模型将音频（含视频音轨）转录为文本，并可进一步做音频与文本的强制对齐。
主要能力：提供 Scribe v2（最新、默认、精度最高）与 Scribe v1（稳定）两个模型，宣称 98%+ 转录准确率，支持 90+ 种语言并自动检测。可选开启说话人分离（diarize）与音频事件标记（tag_audio_events，如笑声、掌声、音乐等非语音事件），也可手动指定 language_code。另有强制对齐能力，可将已知文本与音频对齐，得到词级、字符级时间戳，输出含 words（text/start/end）与 text 字段，适用于字幕、口型同步、卡拉OK歌词与无障碍同步文稿。
使用方式：需先安装 inference.sh CLI（infsh）并执行 infsh login。基本转录命令为 infsh app run elevenlabs/stt --input '{"audio": "https://audio.mp3"}'，可在输入中附加 model、diarize、tag_audio_events、language_code 等参数。强制对齐命令为 infsh app run elevenlabs/forced-alignment --input '{"audio": "...", "text": "..."}'。视频字幕工作流：先运行 stt 生成 transcript.json，再用 infsh/caption-videos 生成字幕。
适用场景：会议记录与说话人标注、播客转录与事件标记、视频字幕与时间轴、访谈研究转录、无障碍文稿、动画口型同步。
限制：资料未提供收费、价格、配额与准确率实测细节，也未提供离线或自托管方案；实际效果与可用语言以服务本身为准，使用前需完成 CLI 安装与登录。