ElevenLabsSpeechToText - ComfyUI Built-in Node Documentation

ElevenLabs 语音转文本节点使用 ElevenLabs API 将音频转写为文本。它支持自动语言检测、说话人分离（识别不同说话人）以及音频事件标记（在转写文本中标注笑声、音乐等声音）。

输入

参数	描述	数据类型	必需	范围
`模型`	用于转写的模型。选择此模型将显示其他参数。	DYNAMIC_COMBO	是	`"scribe_v2"`
`音频`	要转写的音频。	AUDIO	是	-
`语言代码`	ISO-639-1 或 ISO-639-3 语言代码（例如 ‘en’、‘es’、‘fra’）。留空以进行自动检测。（默认：""）	STRING	否	-
`说话人数`	要预测的最大说话人数。设置为 0 以自动检测。（默认：0）	INT	否	0 - 32
`种子`	用于复现的随机种子（不保证确定性）。（默认：1）	INT	否	0 - 2147483647

选择 "scribe_v2" 模型时显示以下参数。

参数	描述	数据类型	必需	范围
`tag_audio_events`	在转写文本中标注（笑声）、（音乐）等声音。（默认：False）	BOOLEAN	否	-
`diarize`	标注当前说话人是谁。（默认：False）	BOOLEAN	否	-
`diarization_threshold`	说话人分离灵敏度。值越低，对说话人变化越敏感。仅在启用 `diarize` 时使用。（默认：0.22）	FLOAT	否	0.1 - 0.4
`temperature`	随机性控制。0.0 使用模型默认值。较高的值会增加随机性。（默认：0.0）	FLOAT	否	0.0 - 2.0
`timestamps_granularity`	转写字词的时间戳精度。（默认：“word”）	COMBO	否	`"word"` `"character"` `"none"`

注意： 启用 diarize 时，num_speakers 不能设置为大于 0 的值。您必须禁用 diarize 或将 num_speakers 设为 0。

输出名称	描述	数据类型
`文本`	从音频转写出的文本。	STRING
`语言代码`	检测到的音频语言代码。	STRING
`单词 JSON`	包含详细词级信息的 JSON 格式字符串，包括时间戳以及（如启用）说话人标签。	STRING

本文档由 AI 生成。如果您发现任何错误或有改进建议，欢迎贡献！在 GitHub 上编辑

Source fingerprint (SHA-256): 7eb5d72615aa8a9e4a8014e45b39cf83dc8d8432d7ce0dccba20489be80a5830