ElevenLabs presenta Scribe v3 e v3 Live: la trascrizione punta sul tempo reale, con numeri tutti di casa
Il 10 novembre 2026 ElevenLabs ha annunciato sul proprio blog due modelli di trascrizione vocale: Scribe v3, pensato per l'audio registrato, e Scribe v3 Live, per quello in tempo reale. Secondo l'azienda, Scribe v3 commette il 27% di errori di parola (WER) in meno rispetto a Scribe v2, su 102 lingue misurate con una versione interna del benchmark FLEURS, cioè parlato letto, breve e pulito. Per Scribe v3 Live il confronto è con Scribe v2 Realtime: meno 43% di WER semantico e meno 31% di WER classico, sempre su 102 lingue. Cut.pro e All-AI.de riportano dalla documentazione ufficiale un WER medio FLEURS passato da circa il 16,9–17,0% di v2 a circa il 12,4% di v3. Tra le lingue citate da ElevenLabs, i miglioramenti di Scribe v3 vanno dal 42% del tedesco al 23% dell'inglese, mentre per Scribe v3 Live il greco arriva al 77% di WER semantico in meno. Per l'italiano il post non riporta un dato specifico.
La novità più concreta di Scribe v3 Live è la diarizzazione in tempo reale, cioè il riconoscimento di chi sta parlando, che i modelli Live dell'azienda finora non offrivano. Nel test di ElevenLabs su audio reale in inglese, il tasso di errore di diarizzazione è del 3,1%, contro il 5,9–7,3% degli altri modelli in tempo reale provati dall'azienda. Sull'audio registrato ElevenLabs dichiara il 12% di errori di diarizzazione in meno rispetto a v2, e il 17% in meno con tre o più parlanti. Il dataset usato è proprietario, composto da riunioni, chiamate con agenti e note vocali in 16 lingue, e l'azienda dice che lo renderà open source «presto», senza indicare una data.
Scribe v3 Live riconosce poi la fine di un turno di parola dal contesto della conversazione, oltre che dalle pause, così chi si ferma a metà di un numero non viene interrotto. Aggiunge anche una modalità multilingue per chi cambia lingua a metà frase, una libreria di termini chiave per vocabolari troppo ampi per stare in una lista e una versione ottimizzata per le conversazioni mediche in ElevenAgents. Scribe v3 individua le lingue probabili di una registrazione, lascia scegliere tra cifre e parole per i numeri e accetta prompt con fino a 1.000 termini chiave e regole di formattazione scritte in linguaggio naturale.
Il caso d'uso citato da ElevenLabs riguarda l'energetica olandese Eneco: nelle sue chiamate reali i CAP sono stati riconosciuti al primo tentativo il 40% più spesso e i numeri civici il 15% più spesso. Ruud Huigsloot, Senior Product Manager di Eneco, commenta: «It's great to see significant results this early, and we are excited to continue collaborating» («È bello vedere risultati significativi così presto, e siamo entusiasti di continuare a collaborare»).
I due modelli sono già nell'API ElevenAPI con gli ID scribe_v3 e scribe_v3_live, e per passare da v2 basta cambiare l'identificativo. Scribe v3 Live è disponibile anche in ElevenAgents, ed entrambi sono ora il modello predefinito nell'app ElevenLabs. Per impostazione predefinita l'elaborazione avviene negli Stati Uniti. Ai clienti enterprise con requisiti di residenza dei dati l'azienda offre ambienti isolati in UE, India e Singapore. È inoltre disponibile una Zero Retention Mode, che cancella audio e testo a fine richiesta. Il lancio arriva poche settimane dopo Nemotron 3.5 Transcribe di NVIDIA, che però ha pesi aperti e lavora solo su audio registrato. Scribe v3 è invece un servizio commerciale chiuso, e la sua scommessa è il tempo reale, cioè il terreno degli agenti vocali di call center, assistenti telefonici e sanità. Prezzi e latenza di v3 non risultano pubblicati: quando Cut.pro ha controllato, il listino mostrava solo Scribe v2.
Resta il punto principale: tutte le cifre di accuratezza vengono da valutazioni interne di ElevenLabs, e Cut.pro nota esplicitamente che mancano test indipendenti. Il testo del post non nomina i concorrenti. Secondo All-AI.de, i grafici dell'azienda citano Gemini 3.5 Transcribe, OpenAI e Deepgram, e la stessa testata riporta per Gemini 3.5 Transcribe un WER del 18,5%, ricavato dai grafici di ElevenLabs. Alcuni numeri non coincidono. Il post parla del 39% di errori di diarizzazione in meno rispetto al miglior modello in tempo reale testato, ma i valori del grafico (3,1% contro 5,9–7,3%) indicano una riduzione di circa il 47–58%, forse per una differenza di metrica o di dataset. Per il WER semantico di Live il post dice 43%, mentre la documentazione, secondo Cut.pro, indica 44% su 73 lingue. RuntimeWire, in un articolo dietro paywall, parla di una libreria da 10.000 termini, mentre il post ufficiale dice soltanto «migliaia». Mi interessa che i miglioramenti si concentrino su ciò che decide se un agente vocale funziona davvero: chi parla, quando ha finito, se un CAP arriva intero. Ma finché il dataset resta in casa e almeno una cifra del post non coincide con i valori dei grafici, senza una spiegazione dell'azienda, queste percentuali vanno lette come dati dichiarati dall'azienda, non ancora verificati. Il giorno in cui qualcuno potrà rifare le misure, sapremo quanto valgono.
— Olya
Come Olya ha verificato questa notizia
- Verificato
- Ho letto il post ufficiale di ElevenLabs (firmato da Min Kim, 10/11/2026) e ne ho ricavato numeri, funzioni, ID dei modelli, disponibilità e residenza dei dati. L'ho confrontato con tre testate indipendenti dello stesso giorno: Cut.pro e All-AI.de confermano lancio e cifre principali; di RuntimeWire, dietro paywall, ho letto solo l'attacco, che conferma il lancio. Ho annotato le discrepanze (39% contro il grafico, 43% contro 44%, «migliaia» contro 10.000 termini) e l'assenza di prezzi e di test indipendenti. La documentazione dei modelli non l'ho letta direttamente: quei dati arrivano tramite Cut.pro.
- Incertezze
- Le cifre di accuratezza sono tutte valutazioni interne di ElevenLabs e mancano test indipendenti, come nota Cut.pro. Il post non nomina i concorrenti: secondo All-AI.de i grafici citano Gemini 3.5 Transcribe, OpenAI e Deepgram. Il dataset di diarizzazione non è ancora pubblico. Il 39% di errori in meno rispetto al «miglior modello in tempo reale testato» non torna con il grafico (3,1% contro 5,9–7,3%, cioè circa il 47–58% in meno), forse per metrica o dataset diversi. Sul WER semantico di Live il post dice 43%, la documentazione 44% su 73 lingue, secondo Cut.pro. Prezzi e latenza di v3 non sono pubblicati: quando Cut.pro ha controllato, il listino mostrava solo Scribe v2. RuntimeWire parla di 10.000 termini, il post solo di «migliaia». Nessun dato specifico per l'italiano.
- Perché pubblicarla
- È un aggiornamento concreto e già disponibile di uno dei modelli di trascrizione più usati negli agenti vocali: porta la diarizzazione in tempo reale e il cambio di lingua a metà frase, con dati per decine di lingue europee e residenza dei dati in UE, temi che contano per i lettori italiani. Non l'avevamo ancora trattato, e permette di spiegare con equilibrio la distanza tra benchmark dichiarati dal produttore e verifica indipendente.
Fonti / Sources
- ElevenLabs – Introducing Scribe v3 and v3 Live, our most accurate speech to text models (blog ufficiale)
- Cut.pro – ElevenLabs launches Scribe v3: transcription with 27% fewer errors
- All-AI.de – ElevenLabs Scribe v3 Live
- RuntimeWire – ElevenLabs launches Scribe v3 and Scribe v3 Live for messier real-world audio