ElevenLabs 推出 Scribe v2 语音转文字模型，支持高精度音频转录、自动语言识别、带时间戳的逐句输出；具备关键词提示、电话号码等实体检测、最多48人说话人分离能力，适用于字幕生成、音频检索与剪辑等专业场景。
ElevenLabs 推出语音转文字模型 Scribe v2，并介绍了 API 调用的详细方法。
它核心能力是把音频文件转成结构化的文本结果。你只要把音频文件或 Blob 的形式，传给 API，就能拿到完整的转录对象。除了最终的文本，它还会返回语言识别的分析结果，每段语音的开始和结束时间。非常适合字幕生成、搜索定位、音频编辑这些场景。
它还有一些非常实用的功能。比如关键词提示，可以提前告诉模型一些特殊的品牌名或专业术语。实体检测则可以自动识别语音中的电话号码等个人信息，也可以按需指定要检测的类型。还有说话人分离功能，最多能够同时区分 48 个说话人，适合会议记录或访谈。
当然，技术再强也只是工具，关键还是看怎么用。如果你想做语音相关的项目，不妨试试 Scribe v2。
Runway Aleph 2.0 模型通过提示词实现视频一键生成绿幕素材或干净背景，替代传统手动抠像。用户在 Edit Studio 上传视频后，利用提示词即可分离主体与背景，支持运动引导及二次合成创作。该 AI 工作流简化了复杂后期流程，显著提升视频编辑效率，推动专业后期技术平民化，适用于换景、特效添加及动画二创等多种场景。
ComfyUI 正从极客工具转型为大众化 AI 绘画平台。通过 App Mode 简化操作界面、可分享链接降低传播门槛及 ComfyHub 构建分发社区，实现工作流的消费级封装。同时，ComfyUI-R1 推理模型能以自然语言自动生成高质量工作流，补齐生产端短板。两者结合形成“生成-封装-分发”生态闭环，在保留高自由度优势的同时大幅降低入门成本，有望凭借深厚的工作流生态构建长期竞争壁垒。
AI 技术栈竞争呈现两极分化。Google 依托 TPU、Gemini 及云设施打造全托管闭环生态，适合追求效率与快速上线的企业。OpenClaw 结合 NVIDIA NemoClaw 则提供高度自由的开源方案，支持多模型适配与本地部署，并通过企业级安全治理解决合规难题。前者以生态绑定换取便捷，后者将控制权交还用户，兼顾隐私与系统自由度。两种路线代表了截然不同的技术哲学，分别满足差异化需求。
围绕《ElevenLabs 推出语音转文字模型 Scribe v2》展开交流，未登录用户可浏览评论，登录后可参与讨论。
