用途：该技能通过 inference.sh CLI（belt）调用语音转文本模型，把音频转写为文本，并可输出带时间戳的分段结果。
主要能力：提供三个模型。ElevenLabs Scribe v2（App ID：elevenlabs/stt）适合高准确率、说话人分离（diarization）及 90+ 语言场景；Fast Whisper V3（infsh/fast-whisper-large-v3）适合快速转写；Whisper V3 Large（infsh/whisper-v3-large）适合最高准确率。Whisper 支持 99+ 语言，包括英语、西班牙语、法语、德语、意大利语、葡萄牙语、中文、日语、韩语、阿拉伯语、印地语、俄语等。返回 JSON 包含 text（完整转写）、segments（请求时的时间戳分段）和 language（检测到的语言）。
使用方式：需先安装 inference.sh CLI（belt），然后执行 belt login 登录。基本转写：belt app run infsh/fast-whisper-large-v3 --input '{"audio_url": "https://meeting.mp3"}'。如需时间戳，可用 belt app sample infsh/fast-whisper-large-v3 --save input.json 生成含 timestamps 的输入文件，再通过 --input input.json 运行。翻译为英语时在输入中设置 "task": "translate"。处理视频可先用 infsh/video-audio-extractor 提取音频，再转写；也可搭配 infsh/caption-videos 生成字幕。可用 belt app list --category audio 浏览音频类应用。
适用场景：会议录音转写、播客文稿、视频字幕、语音笔记转可搜索文本、访谈研究整理、音频内容无障碍化。
限制：需安装 CLI 并登录；模型与 App ID 需按资料指定使用；准确率、语言数量等以官方说明为准；具体计费与配额暂未提供。