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。
AI 设计智能体 Lovart 搭配 GPT Image 2 引擎，有效解决了 AI 营销素材风格不统一的痛点。该工具通过多轮追问明确需求后并行生成素材，确保品牌视觉高度一致。其支持可编辑图层修改及无限画布内静态图转视频，无需跨工具操作。相比传统流程，制作包含 7 个素材的广告活动耗时从近 3 小时缩短至 10 分钟，显著提升设计效率与工作流闭环能力。
一个 15 人团队在 14 天内通过10.8万次生成，制作出一部90分钟的AI长片并入围戛纳影展。创作博主ADIL分享了制作过程，包括将影片从 110 分钟剪至 90 分钟、修复 40 个场景，并展示了三个典型问题场景的修复案例。他总结了28 个技巧，涵盖提示词、前期制作、团队协作和剪辑。关键技巧包括：情感场景需描述身体细微反应以消除“机器人感”.图像提示词应指定镜头焦距、光圈等参数，避免空泛描述。避免正面视角，使用四分之三或天花板角度。通过 X 轴 Y 轴百分比坐标系统精确控制角色位置。
Hermes QQ Bot 常因网络波动出现“灵魂不在线”的静默断连，根源在于 WebSocket 重连逻辑缺陷导致进程未正常退出。目前修复版本已解决重连耗尽问题，但深层异常捕获仍有待完善。建议用户升级至最新版，配置 systemd 或 Docker 自动重启策略，并优化代理超时设置，以保障 QQ Bot 稳定运行。
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。
