基于 ElevenLabs Scribe V2 的高速语音转文字服务，支持多语言识别、说话人分离与音频事件标注，适合会议记录、播客转录等专业场景。
说明：
## 核心用法
ElevenLabs Scribe V2 语音转文字技能通过 MCP 工具调用 fal.ai 托管的 ElevenLabs 模型，实现高质量的语音识别与转录。用户只需提供音频文件 URL，即可提交异步任务并获取包含时间戳、说话人标识的精细化转录结果。
主要工作流程分为两步：首先调用 `submit_task` 提交任务，指定音频 URL 及可选参数（语言代码、说话人分离、音频事件标注、专业术语关键词）；随后通过 `get_task` 轮询任务状态，获取最终转录文本。支持 mp3、ogg、wav、m4a、aac 等主流音频格式，覆盖英语、中文、日语、韩语等 32 种语言。
## 显著优点
1. **高精度识别**：ElevenLabs Scribe V2 是当前业界领先的 STT 模型之一，在多个基准测试中表现优异，尤其擅长处理多人对话场景。
2. **丰富的结构化输出**：不仅返回完整文本，还提供逐词时间戳、说话人分离标识（speaker_0/speaker_1 等）、音频事件标注（笑声、掌声、音乐等），便于后续编辑与分析。
3. **专业术语优化**：通过 `keyterms` 参数可预置最多 100 个专业术语，显著提升医疗、法律、技术等领域特定词汇的识别准确率。
4. **灵活的异步架构**：任务提交与结果查询分离，适合处理长音频文件，避免阻塞式等待。
5. **透明定价**：按分钟计费（4-5 积分/分钟），无隐藏费用，最低计费 1 分钟。
## 潜在缺点与局限性
1. **网络依赖性强**：完全依赖 fal.ai 和 ElevenLabs 的外部服务，若平台出现故障或网络中断，服务将不可用。
2. **音频 URL 隐私风险**：用户需提供可公开访问的音频 URL，无法直接上传本地文件，敏感音频需先上传至私有存储并配置临时访问链接。
3. **计费累积风险**：长音频（如 2 小时会议）将产生约 480-600 积分的费用，高频使用成本较高。
4. **异步等待成本**：任务处理时间随音频长度线性增长，实时性要求高的场景体验受限。
5. **语言自动检测非最优**：虽然支持自动检测，但明确指定 `language_code` 可提升准确度，增加了用户操作复杂度。
## 适合的目标群体
– **企业会议记录员**：需要生成带说话人标识的会议纪要
– **播客与视频创作者**：批量生成字幕与时间轴
– **学术研究人员**：转录访谈录音、田野调查音频
– **医疗与法律从业者**：利用 keyterms 优化专业术语识别
– **多语言内容团队**：处理跨语言音频素材
## 使用风险
1. **服务可用性风险**：第三方 API 可能出现延迟或故障，建议实现重试机制
2. **数据合规风险**：音频 URL 传输至境外服务器（ElevenLabs 为美国公司），需评估数据跨境合规要求
3. **成本控制风险**：未设置用量上限，意外提交超长音频可能导致高额账单
4. **URL 失效风险**：若音频 URL 在任务处理前过期，将导致任务失败
