用途：通过 inference.sh CLI（belt）调用 ElevenLabs 的语音转文字能力，将音频或视频中的语音转写为文本，并可为字幕、口型同步、卡拉 OK 等场景生成精确时间戳。
主要能力：提供 Scribe v2（默认，最新、准确率最高）与 Scribe v1（稳定）两个模型，官方称转写准确率 98%+，支持 90 多种语言并自动检测。可选开启说话人分离（diarize）与音频事件标注（tag_audio_events，识别笑声、掌声、音乐等非语音事件），也可用 language_code 指定语言。另有强制对齐功能，将已知文本与音频对齐，输出词级和字符级时间戳。
使用方式：先安装技能 npx skills add belt-sh/cli，并安装 inference.sh CLI（belt），执行 belt login 登录。基础转写：belt app run elevenlabs/stt --input '{"audio": "https://audio.mp3"}'。可加入 "diarize": true、"tag_audio_events": true、"language_code": "eng"、"model": "scribe_v2" 等参数。强制对齐：belt app run elevenlabs/forced-alignment --input '{"audio": "https://narration.mp3", "text": "..."}'。
适用场景：会议记录（含说话人识别）、播客转写、视频字幕、访谈研究、无障碍访问、动画口型同步等。
限制：需先安装并登录 belt CLI；音频需以 URL 形式提供；具体计费、配额、时长上限与准确率细节资料未提供。