#语音功能

语音功能可将文字内容转换为音频，也可将录音转写为文字，适用于旁白制作、语音导览、会议记录及访谈整理等场景。生成音频前，可先确认文字稿与朗读要求；录音转写完成后，应核对关键内容，再用于引用、发布或后续整理。

#启用语音功能

使用语音功能时，无需切换专门工具，在任务中用自然语言说明需求即可。制作音频时，可直接粘贴文字或上传文稿，并说明声音与交付要求；转写录音时，可通过输入框的文件上传入口添加音频文件，再在同一条消息中写明转写要求。

语音转文字支持 MP3、WAV、M4A、WEBM 等常见音频格式，可按要求区分说话人、标记时间戳，并添加标点和分段。完成转写后，还可继续生成摘要、提取行动项或改写为其他形式的内容。

音频生成与录音转写均会消耗积分，具体用量与任务复杂度相关。需要批量处理时，应提前说明文件数量、处理范围及拆分方式，避免因要求不明确而反复执行。

#使用规范

为规范音频制作与录音转写的使用流程，提高内容质量与处理效率，使用相关功能时，应明确任务需求，做好文稿准备、信息标注、结果核验及隐私保护。具体要求如下。

音频制作参数设定：制作音频时，应先说明内容来源、使用场景与目标听众，再明确语气、语速和风格。例如，可要求“语气友好、语速较慢、采用教育式风格”，也可根据用途选择专业、轻松或沉稳的表达方式。若有时长限制，还应说明生成一个完整音频，还是按章节、段落或条目分别生成。

口播文稿改写准则：书面文本中的长句、括号说明和表格不便直接朗读，可先要求改写为适合收听的口语稿，确认后再生成音频。涉及人名、地名、数字、英文缩写、网址或多音字时，应提前说明读法，或要求先列出拟定读法供核对。未经确认的内容，不应在改写过程中自行补充。

转录信息标注要求：转写录音时，应尽量提供录音时长、说话人数、主要语言及相关背景，并说明是否保留语气词、重复表达和口语原貌。多人录音可要求按身份或“说话人1、说话人2”标注；用于回听核对的内容，宜同时标记时间戳。无法确认说话人身份时，不应根据声音自行推断姓名。

识别结果复核规范：录音中的口音、背景噪音和多人同时发言可能影响识别结果。转写完成后，应重点检查人名、日期、金额、计量单位、专业术语及否定词；听不清或无法确认的内容，应明确标注并保留对应时间戳，不应凭上下文补全。整理摘要或需求分析时，还应区分原始表述与后续推断。

隐私保护授权管理：上传会议、访谈或客服录音前，应确认已获得相关人员同意，并对姓名、联系方式等个人信息作必要处理。需要特定音色或克隆声音时，可先在集成中连接 ElevenLabs 账户；克隆声音仅限本人或已获授权的声音。

#使用示例

使用语音功能时，可以直接提供文字或录音，也可以先要求整理文字稿，再进行音频生成。以下示例中的 {} 为可替换变量，使用时根据实际需求填写；涉及上传文件的任务，应在发送要求时一并添加对应文件。

语音输出通用模板

将文章、演示脚本或产品描述制作为音频时，可按以下模板说明内容来源、声音要求及交付方式：

请将{待转换的内容}制作为音频，用于{使用场景}。

内容来源为{直接粘贴的文本／上传的文件／需要先撰写的脚本}，目标听众为{听众身份及收听场景}。

请使用{语气要求}，语速为{快／中／慢}，风格为{对话式／正式／教育式／宣传式}。

处理方式为{逐字朗读原文／先改写为适合收听的口语稿}。请生成{1个完整音频／按段落或条目拆分的多个音频}，单个音频时长控制在{时长}以内。

必须保留{关键信息}，不要补充{未经确认的内容}。原文中如有容易读错的人名、数字、英文缩写、网址或多音字，请先列出拟定读法。

请先展示文字稿及需要确认的读法，待我确认后再生成音频。

制作语音导览

制作导览音频时，应明确收听顺序、听众特点及每段内容的范围。以虚构的博物馆展厅导览为例：

请为{虚构的“青岚自然博物馆”恐龙展厅}制作一套语音导览，用于{演示观众参观时扫码收听的场景}。

目标听众为{带孩子参观的家庭观众，以小学生为主}，导览顺序为{入口序厅、化石骨架区、互动体验区}。

请先撰写口语化讲解稿，每个区域一段，每段约{150字}。用词浅显，句子简短；必须使用的专业术语，应紧跟一句通俗解释。

仅使用公认的恐龙科普知识，不虚构展品编号、出土地点、捐赠信息或馆内设施。请明确标注为虚构场馆的示例脚本，不写成真实场馆的官方导览。

声音要求为{友好、亲切的语气}、{较慢的语速}和{教育式风格}。

请先输出完整讲解稿，待我确认后，为每个区域分别生成{1个音频文件}，按“序号_区域名称”命名，并附一份文件与区域的对应清单。

确认讲解稿时，应检查知识表述、区域顺序及专业术语的读法。生成音频后，还应试听语速、停顿和发音，避免只核对文字而忽略实际收听效果。

语音转文字通用模板

转写采访、播客或会议录音时，可按以下模板交代录音背景、文字处理方式及后续任务：

请转录我上传的{录音类型}，用于{使用目的}。

录音时长约{时长}，共{人数}位说话人，分别为{身份或称呼}，主要语言为{语言}。

请按{身份／“说话人1、说话人2”}标注说话人，并在{每次换人发言时／每隔指定时长}标注时间戳，格式为“[时:分:秒]”。

文字处理方式为{保留口语原貌／删除语气词和无意义重复，不改变原意}。

转写完成后，请继续{提炼要点／整理行动项／改写为文章／不作后续处理}。先输出完整文字稿，再输出后续处理结果，以{段落／表格／文档文件}形式交付。

听不清或无法确认的内容，请标注为“[听不清]”并附时间戳，不要自行补全。无法确认说话人身份时，请使用编号，不要推断姓名。

整理用户访谈

整理多段访谈时，应先完成逐段转写，再基于文字稿归纳观点，避免将分析结论混入原始记录。以记账 App 的用户访谈为例：

请转录我上传的{3段用户访谈录音}，用于{记账 App 新版本的需求分析}。

每段录音约{40分钟}，均为{1位访谈人与1位受访用户}的对话，主要语言为{普通话}，部分受访者带有{方言口音}。

请将说话人标注为“访谈人”和“用户A／用户B／用户C”，每次换人发言时标注时间戳，格式为“[时:分:秒]”。

删除“嗯”“那个”等语气词及无意义重复，但不改变受访者原意。录音中出现的姓名、手机号等个人信息，统一以“[已隐去]”代替；听不清的内容标注为“[听不清]”，不要自行补全。

完成转写后，请：
1. 汇总三位用户提到的使用痛点，按提及人数从多到少排列，并注明对应录音及时间戳。
2. 摘录{5条}最能体现用户态度的原话，保持原句，不作改写；涉及个人信息时仍需隐去。
3. 区分“用户明确提出的需求”与“根据对话推断的潜在需求”，推断部分需说明依据。

请先输出三份完整文字稿，再以表格形式输出汇总分析。

分析完成后，应根据时间戳回听关键原话，核对提及人数及需求归类。若录音中未明确提出某项需求，不应将分析推断写成用户已经确认的意见。

生成播客文章与音频摘要

语音输出与语音转文字可在同一任务中衔接使用：先将录音转写为文字并整理，再将确认后的内容生成音频。以读书播客为例：

请处理我上传的这期{读书播客}录音，用于{整理博客文章和便于分享的音频摘要}。

请先转写为完整文字稿，标注主持人与嘉宾，并在每次换人发言时添加时间戳。听不清的内容请明确标注，不要自行补全。

基于文字稿，改写为一篇{1500字左右}的博客文章，保留嘉宾的核心观点，区分主持人的提问与嘉宾的回答，不添加录音中没有的内容。

请先展示博客文章，待我确认后，再将文章要点整理为{3分钟以内}的口语稿。口语稿确认后，以{轻松的语气}、{适中的语速}和{对话式风格}生成音频摘要。

如需调整音频摘要，可在同一对话中继续说明修改范围，先确认文字变化，再重新生成音频：

请将上一版音频摘要的口语稿调整为{句子更短、适合通勤时收听的表达}，预计朗读时长控制在{2分钟以内}。

保留{书名、嘉宾的核心观点及必要的限定条件}，本轮仅调整篇幅与表达，不增加新的观点。

请先展示修改后的口语稿，待我确认后再生成音频。

#使用建议

为提高语音生成与转写结果的可用性，建议注意以下几点：

• 先稿后音： 生成音频前先确认文字稿，减少因措辞调整而反复生成音频带来的积分消耗。
• 适配收听： 书面文本中的长句、括号说明和表格不便朗读，可要求先改写为口语稿，再生成音频。
• 说明读法： 数字、英文缩写、网址和多音字容易读错，宜在提问中提前说明读法。
• 交代背景： 转写多人录音时，提前说明说话人数、身份和主要语言，便于区分说话人。
• 回听核对： 转写结果用于引用或发布前，应根据时间戳回听人名、数字和专业术语等关键内容。
• 保护隐私： 上传录音前，应确认已获得相关人员同意，并对姓名、联系方式等敏感信息作必要处理。
• 线下录音： 记录线下会议、面对面访谈或个人口述时，可使用 会议纪要 功能直接录音并生成结构化纪要；录音本身不消耗积分，生成纪要时消耗积分。该功能不适用于录制线上会议。
• 指定音色： 需要使用特定音色或克隆声音时，可先在集成中连接 ElevenLabs 账户，再发起任务；克隆声音仅限本人或已获授权的声音。