speech-to-text

用途

Speech-to-Text 是一个语音转文字技能，通过 inference.sh CLI（belt）调用语音识别模型，将音频内容转写为文本。它面向需要批量或自动化处理音频转写的用户，可在命令行中直接运行。

主要能力

该技能提供多个可选模型：

• ElevenLabs Scribe v2（App ID：elevenlabs/stt）：准确率 98%+，支持说话人分离（diarization），支持 90+ 语言。
• Fast Whisper V3（App ID：infsh/fast-whisper-large-v3）：适合快速转写。
• Whisper V3 Large（App ID：infsh/whisper-v3-large）：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。

输出为 JSON，包含：text（完整转写文本）、segments（如请求则返回带时间戳的分段）、language（检测到的语言）。

使用方式

首先安装 belt CLI 技能：

npx skills add belt-sh/cli

需要 inference.sh CLI（belt），安装说明见官方文档。登录：

belt login

基础转写示例：

belt app run infsh/fast-whisper-large-v3 --input '{"audio_url": "https://audio.mp3"}'

带时间戳的转写：

belt app sample infsh/fast-whisper-large-v3 --save input.json

# {
#   "audio_url": "https://podcast.mp3",
#   "timestamps": true
# }

belt app run infsh/fast-whisper-large-v3 --input input.json

翻译为英文：

belt app run infsh/whisper-v3-large --input '{
  "audio_url": "https://french-audio.mp3",
  "task": "translate"
}'

从视频转写（先提取音频）：

# Extract audio from video first
belt app run infsh/video-audio-extractor --input '{"video_url": "https://video.mp4"}' > audio.json

# Transcribe the extracted audio
belt app run infsh/fast-whisper-large-v3 --input '{"audio_url": "<audio-url>"}'

视频字幕工作流：

# 1. Transcribe video audio
belt app run infsh/fast-whisper-large-v3 --input '{
  "audio_url": "https://video.mp4",
  "timestamps": true
}' > transcript.json

# 2. Use transcript for captions
belt app run infsh/caption-videos --input '{
  "video_url": "https://video.mp4",
  "captions": "<transcript-from-step-1>"
}'

适用场景

• 会议：转写录音。
• 播客：生成文字稿。
• 字幕：为视频创建字幕。
• 语音笔记：转换为可搜索文本。
• 访谈：用于研究的转写。
• 无障碍：让音频内容更易获取。

相关技能

# ElevenLabs STT (98%+ accuracy, diarization)
npx skills add inference-sh/skills@elevenlabs-stt

# ElevenLabs TTS (reverse direction)
npx skills add inference-sh/skills@elevenlabs-tts

# Full platform skill (all apps)
npx skills add inference-sh/skills@infsh-cli

# Text-to-speech (reverse direction)
npx skills add inference-sh/skills@text-to-speech

# Video generation (add captions)
npx skills add inference-sh/skills@ai-video-generation

# AI avatars (lipsync with transcripts)
npx skills add inference-sh/skills@ai-avatar-video

浏览所有音频应用：

belt app list --category audio

限制

资料未提供收费、价格、平台限制、并发或时长上限等信息，暂未提供。使用前需安装并登录 inference.sh CLI（belt）。