用途：将音频或视频转为文字，可用于生成字幕、转写会议记录、处理口语内容，以及实时/直播转录。底层使用 ElevenLabs Scribe v2 模型。
主要能力：支持 90 多种语言；提供词级时间戳，含类型分类与说话人标识；支持说话人分离，标记每句话由谁所说；支持关键术语提示，帮助识别产品名、专业术语或特殊拼写，最多 100 个术语；自动语言检测，也可用 ISO 639-1 或 ISO 639-3 代码指定语言提示。
模型：scribe_v2 适合批量转录、字幕和长音频；scribe_v2_realtime 延迟约 150ms，适合实时转录和语音智能体。
使用方式：可用 Python 或 JavaScript SDK（JavaScript 仅使用 @elevenlabs/* 包），也可直接调用 API。批量转录通过 client.speech_to_text.convert(file=audio_file, model_id="scribe_v2")；命令行可用 curl 调用 https://api.elevenlabs.io/v1/speech-to-text，需携带 xi-api-key 头。开启词级时间戳传 timestamps_granularity="word"；说话人分离传 diarize=True；关键术语传 keyterms=[...]；语言传 language_code。实时流用 client.speech_to_text.realtime.connect 连接，客户端可通过 @elevenlabs/react 的 useScribe 接入，注意从后端获取 token，不要把 API 密钥暴露在前端。提交策略分手动 commit 和 VAD 自动提交，VAD 可配置 silenceThresholdSecs 与 threshold。事件类型包括 partial_transcript、committed_transcript、committed_transcript_with_timestamps、error。
适用文件：音频 MP3、WAV、M4A、FLAC、OGG、WebM、AAC、AIFF、Opus；视频 MP4、AVI、MKV、MOV、WMV、FLV、WebM、MPEG、3GPP。限制：文件最大 3GB，时长最长 10 小时。
错误与成本：常见错误 401 无效 API 密钥、422 参数无效、429 超限。可通过响应头 request-id 跟踪使用情况。
资料未提供安装指南的详细步骤、具体收费价格及官方对效果的量化说明，这些暂未提供。