用途:把音频文件或音频 URL 转写为文字,支持生成带时间戳的分段文本,并可基于转写结果制作视频字幕。
主要能力:提供多个模型选择——ElevenLabs Scribe v2(elevenlabs/stt,据称 98%+ 准确率、支持说话人分离、90+ 语言)、Fast Whisper V3(infsh/fast-whisper-large-v3,速度快)、Whisper V3 Large(infsh/whisper-v3-large,准确率最高)。Whisper 支持 99+ 种语言。输出 JSON,包含 text(完整转写)、segments(请求时间戳时返回的分段)、language(检测到的语言)。
使用方式:先安装并登录 inference.sh CLI。安装技能:npx skills add belt-sh/cli;登录:belt login。基础转写:belt app run infsh/fast-whisper-large-v3 --input '{"audio_url": "https://audio.mp3"}'。需要时间戳时可用 belt app sample infsh/fast-whisper-large-v3 --save input.json 生成模板,将 timestamps 设为 true 后通过 --input input.json 运行。翻译为英文可设置 "task": "translate"(示例使用 infsh/whisper-v3-large)。来自视频时,先用 infsh/video-audio-extractor 提取音频,再转写;做字幕可先转写得到带时间戳文本,再用 infsh/caption-videos 嵌入字幕。
适用场景:会议录音、播客转写、视频字幕、语音笔记、访谈研究、无障碍内容等。
限制:依赖 inference.sh CLI(belt)及相应账号登录;输入需为可访问的音频 URL;各模型的具体性能、语言覆盖与可用性以上游为准;资料中未提供收费、价格、配额或准确率验证信息。相关技能可按需安装 elevenlabs-stt、elevenlabs-tts、infsh-cli、text-to-speech、ai-video-generation、ai-avatar-video 等。