SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场speech-to-text

speech-to-text

通用与其它

查看项目

更新于 10-16 08:15

技能介绍

用途

该技能用于将音频转写为文本，底层通过 inference.sh CLI（belt）调用语音识别模型。它适合需要批量或命令行方式完成音频转写的场景，例如会议记录、播客文稿、视频字幕、语音笔记、访谈研究和无障碍内容制作。

主要能力

提供三种可选模型：

  • ElevenLabs Scribe v2（App ID：elevenlabs/stt）：98%+ 准确率，支持说话人分离（diarization），覆盖 90+ 种语言。
  • 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）：追求最高准确率。

输出为 JSON，包含：text（完整转写文本）、segments（请求时返回带时间戳的分段）、language（检测到的语言）。Whisper 支持 99+ 种语言，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。

使用方式

需先安装 inference.sh CLI（belt），安装说明见官方文档。安装后登录：

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：先保存输入模板，再编辑并运行：

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，再转写：

# 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：先转写视频音频并带时间戳，再用转写结果生成字幕：

# 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：让音频内容可访问

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

使用前必须安装并登录 inference.sh CLI（belt）。资料未提供各模型的收费、价格、速率限制、音频时长或文件大小上限、并发能力等信息，暂未提供。