ElevenLabs 发布 Scribe v3 与 Scribe v3 Live 语音识别模型

Elevenlabs 更新了其用于录音对话和实时场景的语音识别。独立基准测试证实了其高准确率，但也显示出速度方面的不足。

Elevenlabs 发布了两款新的语音转文本模型：Scribe v3 和 Scribe v3 Live，专为混乱场景打造，例如会议中人们同时说话，或带有背景噪声的电话通话。

Scribe v3 面向预先录制的音频文件，而 Scribe v3 Live 则针对低延迟实时应用。两款模型现已通过ElevenAPI 开发者接口和ElevenAgents 平台提供。

据 Elevenlabs 称，与上一代相比，Scribe v3 在 102 种语言中将词错误率降低了约 25%，公司还表示其德语准确度显著提升。公司称，说话人分离在较大的多人对话中也能更可靠地工作，而且 Scribe v3 Live 首次实现了实时说话人分离。

Scribe v3 准确率领先，但比竞品更慢、更贵

来自Artificial Analysis 的独立基准测试证实，Scribe v3 是市面上最准确的转录模型之一。它超越了微软、Mistral、xAI、Google 和 OpenAI 的竞品，仅落后于阿里巴巴的一个预览版模型。

不过，想要快速且低成本地处理大量音频的用户，选择其他提供商更合适。Elevenlabs 在速度和价格上都处于中游。微软和 xAI 的模型运行速度快数倍，错误率仅略高，而成本约为其一半。

然而，该基准测试只衡量录音文件的词错误率，并未涵盖 Elevenlabs 所宣传的说话人分离、小众语言以及 Scribe v3 Live 实时行为方面的改进。

Scribe v3 Live 旨在防止语音智能体打断来电者

在语音智能体领域，Scribe v3 Live 旨在修复当前系统的一个缺陷：现有系统通常依赖僵硬的停顿计时器，当来电者短暂停下来思考或缓慢读出一串数字时，就会在句中被切断。新的实时模型除了分析音频信号外，还会分析对话上下文，从而判断说话人是否真的已经说完。

Elevenlabs 还为开发者提供了对最终转录结果的更多控制。模型可以预载数千个专业术语（如品牌名或药品名），以避免听错领域特定词汇。开发者可以用自然语言为数字或日期设置格式化规则，而多语言模式可以处理句子中途的语言切换。企业客户可获得欧盟的隔离服务器，以及旨在每次请求后立即删除数据的零保留模式。

ElevenLabs 还在借助新模型拓展企业业务。根据与 Nvidia 扩大的合作协议，该公司正在将开源的 Nemotron 3.5 Super VL 语言模型集成到 ElevenAgents 中，获得运行于 Nvidia 之上的额外算力，为机器人开发本地语音控制，并为波兰的公共医疗系统运行一个电话智能体。该公司还宣布与咨询公司麦肯锡达成结盟，为系统集成商推出更广泛的合作伙伴计划，并上线自己的市场，Salesforce、IBM 和 Zendesk 等公司在其中提供现成的语音智能体。

无 hype 的 AI 新闻 – 由人工精选

订阅 THE DECODER，即可享受无广告阅读、每周 AI 新闻通讯、每年六期独家 "AI Radar" 前沿报告、完整档案访问权限，以及评论区访问权限。