国际 AI 资讯

ElevenLabs推出Scribe v3系列,覆盖102种语言并支持实时说话人分割

ElevenLabs发布预录制转写模型Scribe v3与低延迟实时转写模型Scribe v3Live,官方称支持102种语言、单词错误率降低约25%,并通过ElevenAPI与ElevenAgents向开发者开放;第三方基准显示其准确率领先多数厂商但速度与价格不占优。

海宇数科 · 事件日期 · 约 2 分钟 · 1 次阅读

ElevenLabs推出Scribe v3系列,覆盖102种语言并支持实时说话人分割 配图
ElevenLabs推出Scribe v3系列,覆盖102种语言并支持实时说话人分割 配图

ElevenLabs推出了Scribe v3系列,包括面向预录制音频转写的Scribe v3和面向低延迟实时语音应用的Scribe v3Live。两款模型着重提升在复杂语音环境下的识别表现,覆盖多人交谈、相互打断以及存在背景噪声的场景。该系列通过ElevenAPI和ElevenAgents开放,面向开发者提供调用。

ElevenLabs推出Scribe v3系列 覆盖102种语言并支持实时说话人分割 配图 1
相关配图

官方表示,Scribe v3可识别102种语言,单词错误率较此前降低约25%,德语识别准确率有明显提升,说话人分割在大型群组对话中更为可靠。Scribe v3Live则首次加入实时说话人分割能力。

在Artificial Analysis开展的独立基准测试中,Scribe v3是准确率最高的模型之一,成绩超过微软、Mistral、xAI、Google和OpenAI的相关产品,仅落后于阿里巴巴的一款预览版模型。

Scribe v3在处理速度和价格上并不占优,基准价格为每1000分钟3.33美元,微软和xAI的部分产品速度更快、成本更低。该测试主要衡量单词错误率,未覆盖说话人分割、小语种以及实时性能等方面。

ElevenLabs优化了发言结束判断机制,将对话上下文与音频信号结合,减少固定暂停计时器带来的误判,避免短暂停顿或缓慢报读数字被错误打断。模型支持预加载专业术语,可设置数字和日期格式规则,并提供多语言模式以处理句内语言切换。企业客户可使用欧盟独立服务器,另有零数据保留模式。

企业正扩大生态布局:一方面深化与英伟达合作,计划将Nemotron3.5Super VL集成至ElevenAgents,并开发机器人本地语音控制能力;另一方面与麦肯锡建立合作,推出系统集成商合作伙伴计划及语音代理市场。值得注意的是,Salesforce、IBM与Zendesk均已提供相关产品。公司业务也从语音生成拓展至转录、实时交互及企业级语音代理基础设施。

← 返回AI 资讯