用途：通过 inference.sh CLI（belt）调用 ElevenLabs 的语音转文字能力，使用 Scribe 系列模型完成音频转录，并提供强制对齐以获取词级和字符级时间戳。
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；资料称准确率 98%+，支持 90+ 种语言并自动检测。可选说话人分离（diarize）、音频事件标注（tag_audio_events，检测笑声、掌声、音乐等非语音事件），并可手动指定 language_code。强制对齐可将已知文本与音频对齐，输出每个词的 start/end 时间，适用于字幕、唇形同步、卡拉 OK 等。
使用方式：需先安装并登录 belt。安装技能：npx skills add belt-sh/cli。登录：belt login。基础转录：belt app run elevenlabs/stt --input '{"audio": "https://audio.mp3"}'。可加参数如 "model": "scribe_v2"、"diarize": true、"tag_audio_events": true、"language_code": "eng"。强制对齐：belt app run elevenlabs/forced-alignment --input '{"audio": "https://narration.mp3", "text": "..."}'。输出包含 words 数组（text、start、end）与整体 text。
适用场景：会议记录（含说话人识别）、播客转录与事件标注、视频字幕与时间轴、访谈研究、无障碍文字稿、动画唇形同步。
限制：所有操作依赖 inference.sh CLI（belt）与 ElevenLabs Scribe 服务；价格、配额、音频格式与大小限制、处理时长等资料暂未提供。模型与参数仅限资料所列，未列出的功能不可假定存在。