ElevenLabs 发布 Scribe v3 与实时版:用对话上下文避免语音助手打断用户说话
要点
- Elevenlabs 发布了 Scribe v3 和 Scribe v3 Live 两款语音识别模型,专为串音、背景噪音等嘈杂音频场景设计,覆盖录音文件转写和实时使用两类需求。
- Artificial Analysis 的基准测试显示,Scribe v3 是市面上最准确的转写模型之一,但速度比 Microsoft 和 xAI 的竞品更慢,价格也更高。
- 实时版本会分析对话上下文,避免在通话者短暂停顿时打断对方。Elevenlabs 还在深化与 Nvidia 和 McKinsey 的企业合作。
Elevenlabs 更新了其语音识别技术,同时覆盖录音对话和实时场景。独立基准测试证实了其高准确率,但也暴露了速度上的短板。
Elevenlabs 发布了两款新的语音转文字模型:Scribe v3 和 Scribe v3 Live,专为会议中多人抢话、电话里有背景噪音这类嘈杂场景打造。
Scribe v3 面向预先录制的音频文件,Scribe v3 Live 则针对低延迟的实时应用。两款模型现已通过 ElevenAPI 开发者接口和 ElevenAgents 平台开放使用。
据 Elevenlabs 介绍,Scribe v3 在 102 种语言上相比前代减少了约 25% 的词错误率,德语识别准确率也有显著提升。官方还表示,说话人分离在多人对话场景下更加可靠,而 Scribe v3 Live 首次让这一功能可以实时使用。
Scribe v3 准确率领先,但速度更慢、价格更高
Artificial Analysis 的独立基准测试证实,Scribe v3 是目前市面上最准确的转写模型之一,超过了 Microsoft、Mistral、xAI、Google 和 OpenAI 的竞品,仅落后于 Alibaba 的一个预览版模型。

不过,如果想快速、低成本地处理大量音频,其他厂商是更好的选择。Elevenlabs 的速度和价格都处于中游。Microsoft 和 xAI 的模型速度快好几倍,错误率只是略高一些,成本还便宜一半左右。
但这项基准测试只衡量录音文件的字词错误,没有涵盖 Elevenlabs 宣称在说话人分离、小语种以及 Scribe v3 Live 实时表现方面的改进。
Scribe v3 Live 旨在避免语音代理打断用户说话
在语音代理场景中,Scribe v3 Live 旨在解决现有系统的一个缺陷:它们通常依赖僵硬的停顿计时器,当用户停下来思考或缓慢念出一串数字时,往往会中途打断对方。新的实时模型会在分析音频信号的同时结合对话上下文,从而判断说话人是否真的说完了。
Elevenlabs 还让开发者对最终转写结果有更多控制。模型可以预先加载数千个专业术语,如品牌名或药品名,避免听错领域词汇。开发者可以用自然语言设置数字或日期的格式规则,多语言模式则能处理句子中途的语言切换。企业客户可获得位于欧盟的独立服务器,以及一种在每次请求后立即删除数据的零保留模式。
ElevenLabs 也在借新模型扩展企业业务。在与 Nvidia 扩大合作后,公司将把开源的 Nemotron 3.5 Super VL 语言模型集成到 ElevenAgents 中,获得更多 Nvidia 算力资源,开发机器人的本地语音控制,并为波兰的公共医疗系统运行一个电话智能体。此外,公司还宣布与咨询公司麦肯锡达成合作,面向系统集成商推出更广泛的合作伙伴计划,并上线自己的 marketplace,Salesforce、IBM、Zendesk 等企业可在上面提供现成的语音智能体。