粘贴一个公开的 HTTPS 音频或视频链接，最大 2GB。托管文件、YouTube 和 TikTok 链接均可。ElevenLabs Scribe 会返回文字，并可选择说话人标注、时间戳、语言、术语和实体。本页不接收本地上传、实时麦克风或乐谱听写。
按确认的实际用量结算，未使用的预留额度会恢复到可用余额。
ElevenLabs
粘贴一个公开的 HTTPS 音频或视频链接，最大 2GB。托管文件、YouTube 和 TikTok 链接均可。ElevenLabs Scribe 会返回文字，并可选择说话人标注、时间戳、语言、术语和实体。本页不接收本地上传、实时麦克风或乐谱听写。
你会得到 ElevenLabs 对你提交链接返回的转写文本，以及你选择的说话人、时间戳、音频事件和实体标注。每次调用只处理一个链接；不生成语音、不分离噪声，也不把已有文稿对齐到音频。按次计费，单次运行最高 120 积分，从与其他语音工具共用的预付费余额扣除。
使用音频转文字工具，把 [任何人都能打开的 YouTube、TikTok 或音频/视频链接] 转成文字稿。文件最大 2 GB；可以要求标出每句话是谁说的、添加时间点。工具会自动识别语言。
开始前检查当前输入要求、可用状态和最高预留费用。
| 字段 / 路径 | 类型 | 是否必填 | 含义 |
|---|---|---|---|
bodybody | object | 必填 | 将指定网址的音频或视频文件转写为文字。
|
diarizebody.diarize | boolean | 选填 | 标注每段话的说话人，最多支持 32 人。 |
keytermsbody.keyterms | array | 选填 | 最多提供 100 个专业术语，如产品名称或行业用语，帮助转写时优先识别这些词。此附加功能会将每小时音频的费率从 $0.22 提高至 $0.27。
|
[]body.keyterms[] | string | — |
|
model_idbody.model_id | string | 选填 | 转写模型：scribe_v2（支持 90 多种语言）或 scribe_v1（旧版）。
|
audio_urlbody.audio_url | string | 必填 | 待转写音频或视频文件的 HTTPS 地址，可使用公开链接或预签名链接，也支持已托管的媒体及 YouTube/TikTok 链接。ElevenLabs 会直接获取文件，大小不得超过 2GB。
|
no_verbatimbody.no_verbatim | boolean | 选填 | 去除填充词、起句后重说的片段和不流畅表达，仅适用于 scribe_v2。 |
num_speakersbody.num_speakers | integer | 选填 | 文件中说话人的最多人数，可帮助提高识别准确度。
|
language_codebody.language_code | string | 选填 | 音频语言的 ISO-639-1/-3 代码，可选；省略时自动识别。
|
entity_detectionbody.entity_detection | boolean | 选填 | 识别人名、信用卡号、社会保障号码、疾病等实体，并标出准确位置。此附加功能会将每小时音频的费率从 $0.22 提高至 $0.29。 |
tag_audio_eventsbody.tag_audio_events | boolean | 选填 | 标注非语音声音，如笑声。默认 true。 |
timestamps_granularitybody.timestamps_granularity | string | 选填 | 时间戳的粒度，默认 word（逐词）。
|
expected_duration_minutesbody.expected_duration_minutes | number | 选填 | 仅供 Monid 计费使用，不发送给上游：预计音频时长，单位为分钟，用于确定调用前的预留额度。最终始终按实际转写时长结算；省略时按 60 分钟预留。
|
{
"type": "object",
"required": [
"body"
],
"properties": {
"body": {
"type": "object",
"$schema": "https://json-schema.org/draft/2020-12/schema",
"required": [
"audio_url"
],
"~standard": {
"vendor": "zod",
"version": 1,
"jsonSchema": {}
},
"properties": {
"diarize": {
"type": "boolean",
"description": "标注每段话的说话人，最多支持 32 人。"
},
"keyterms": {
"type": "array",
"items": {
"type": "string",
"maxLength": 50,
"minLength": 1
},
"maxItems": 100,
"description": "最多提供 100 个专业术语，如产品名称或行业用语，帮助转写时优先识别这些词。此附加功能会将每小时音频的费率从 $0.22 提高至 $0.27。"
},
"model_id": {
"enum": [
"scribe_v2",
"scribe_v1"
],
"type": "string",
"default": "scribe_v2",
"description": "转写模型：scribe_v2（支持 90 多种语言）或 scribe_v1（旧版）。"
},
"audio_url": {
"type": "string",
"format": "uri",
"description": "待转写音频或视频文件的 HTTPS 地址，可使用公开链接或预签名链接，也支持已托管的媒体及 YouTube/TikTok 链接。ElevenLabs 会直接获取文件，大小不得超过 2GB。"
},
"no_verbatim": {
"type": "boolean",
"description": "去除填充词、起句后重说的片段和不流畅表达，仅适用于 scribe_v2。"
},
"num_speakers": {
"type": "integer",
"maximum": 32,
"minimum": 1,
"description": "文件中说话人的最多人数，可帮助提高识别准确度。"
},
"language_code": {
"type": "string",
"maxLength": 8,
"minLength": 2,
"description": "音频语言的 ISO-639-1/-3 代码，可选；省略时自动识别。"
},
"entity_detection": {
"type": "boolean",
"description": "识别人名、信用卡号、社会保障号码、疾病等实体，并标出准确位置。此附加功能会将每小时音频的费率从 $0.22 提高至 $0.29。"
},
"tag_audio_events": {
"type": "boolean",
"description": "标注非语音声音，如笑声。默认 true。"
},
"timestamps_granularity": {
"enum": [
"none",
"word",
"character"
],
"type": "string",
"description": "时间戳的粒度，默认 word（逐词）。"
},
"expected_duration_minutes": {
"type": "number",
"maximum": 600,
"description": "仅供 Monid 计费使用，不发送给上游：预计音频时长，单位为分钟，用于确定调用前的预留额度。最终始终按实际转写时长结算；省略时按 60 分钟预留。",
"exclusiveMinimum": 0
}
},
"description": "将指定网址的音频或视频文件转写为文字。",
"additionalProperties": false
}
},
"additionalProperties": false
}暂未配置返回字段说明。
把 [公开的 TikTok 视频链接] 转成文字稿，并标出每句话是谁说的。
使用音频转文字工具，把 [任何人都能打开的 YouTube、TikTok 或音频/视频链接] 转成文字稿。文件最大 2 GB；可以要求标出每句话是谁说的、添加时间点。工具会自动识别语言。
把 [任何人都能打开的音频文件链接] 转成文字，并去掉口头停顿。
