内置节点参考
ElevenLabsSpeechToText - ComfyUI Built-in Node Documentation
Complete documentation for the ElevenLabsSpeechToText node in ComfyUI. Learn its inputs, outputs, parameters and usage.
ElevenLabs语音转文字节点可将音频文件转录为文本。它使用ElevenLabs的API将语音转换为书面文本，支持自动语言检测、识别不同说话者以及标记音乐、笑声等非语音声音。
输入
| 参数 | 描述 | 数据类型 | 是否必填 | 取值范围 |
|---|---|---|---|---|
音频 |
待转录的音频。 | AUDIO | 是 | - |
模型 |
用于转录的模型。选择此模型后会显示额外参数。 | COMBO | 是 | "scribe_v2" |
tag_audio_events |
在转录文本中标注(笑声)、(音乐)等声音。选择"scribe_v2"模型时显示此参数。(默认值：False) |
BOOLEAN | 否 | - |
diarize |
标注当前说话者。选择"scribe_v2"模型时显示此参数。(默认值：False) |
BOOLEAN | 否 | - |
diarization_threshold |
说话者分离灵敏度。数值越低对说话者变化越敏感。选择"scribe_v2"模型且启用diarize时显示此参数。(默认值：0.22) |
FLOAT | 否 | 0.1 - 0.4 |
temperature |
随机性控制。0.0使用模型默认值，数值越高随机性越大。选择"scribe_v2"模型时显示此参数。(默认值：0.0) |
FLOAT | 否 | 0.0 - 2.0 |
timestamps_granularity |
转录单词的时间精度。选择"scribe_v2"模型时显示此参数。(默认值："word") |
COMBO | 否 | "word" |
"character" "none" | | 语言代码 | ISO-639-1或ISO-639-3语言代码（例如'en'、'es'、'fra'）。留空则自动检测。(默认值："") | STRING | 否 | - | | 说话人数 | 预测的最大说话者数量。设为0表示自动检测。(默认值：0) | INT | 否 | 0 - 32 | | 种子 | 用于结果复现的种子（不保证确定性）。(默认值：1) | INT | 否 | 0 - 2147483647 |
注意： 当启用diarize选项时，num_speakers参数不能设置为大于0的值。您必须禁用diarize或将num_speakers设为0。
输出
| 输出名称 | 描述 | 数据类型 |
|---|---|---|
文本 |
音频转录后的文本。 | STRING |
语言代码 |
检测到的音频语言代码。 | STRING |
单词 JSON |
包含详细单词级别信息的JSON格式字符串，如果启用则包含时间戳和说话者标签。 | 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): aca2ac04d7280ef2b604f7c8d29ad7fea1e7abcfc38beabb64ba6b268a8cade1
官方原文
本页来自 Comfy-Org 官方中文文档的固定版本，并转换为 xueai 静态页面。内容以官方持续更新的页面为准。