用途:通过 inference.sh 命令行工具(belt)把音频转写为文本,支持多模型选择,并可将结果用于字幕、翻译等后续流程。
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,含英语、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。输出为 JSON,包含 text(完整转写)、segments(请求时返回带时间戳分段)、language(检测到的语言)。
使用方式:先安装技能 npx skills add belt-sh/cli,并安装 inference.sh CLI(belt),然后 belt login 登录。基本转写:belt app run infsh/fast-whisper-large-v3 --input '{"audio": "https://audio.mp3"}'。需要时间戳时可用 belt app sample infsh/fast-whisper-large-v3 --save input.json 生成输入模板,加入 "return_timestamps": "sentence" 后运行。翻译为英文可加 "task": "translate"。处理视频需先用 infsh/video-audio-extractor 提取音频,再转写。字幕工作流:先转写得到带时间戳的 transcript.json,再把 segments 传给 infsh/caption-videos 生成字幕。
适用场景:会议记录、播客转写、视频字幕、语音笔记转可搜索文本、访谈研究、无障碍内容。
限制:需先安装并登录 inference.sh CLI;具体模型可用性、计费与配额资料未提供;转写准确率与语言支持以所用模型为准;视频需先提取音频。