ElevenLabs stellt Scribe v3 und v3 Live vor: Transkription setzt auf Echtzeit, die Zahlen stammen allesamt aus dem eigenen Haus
Am 10. November 2026 hat ElevenLabs in seinem Blog zwei Modelle für Sprachtranskription angekündigt: Scribe v3 für aufgezeichnetes Audio und Scribe v3 Live für Echtzeit-Audio. Laut Unternehmen macht Scribe v3 27 % weniger Wortfehler (WER) als Scribe v2, über 102 Sprachen gemessen mit einer internen Version des FLEURS-Benchmarks, also mit kurzer, sauberer, vorgelesener Sprache. Scribe v3 Live wird mit Scribe v2 Realtime verglichen: 43 % weniger semantische WER und 31 % weniger klassische WER, ebenfalls über 102 Sprachen. Cut.pro und All-AI.de berichten unter Berufung auf die offizielle Dokumentation von einer durchschnittlichen FLEURS-WER, die von rund 16,9–17,0 % bei v2 auf etwa 12,4 % bei v3 gesunken ist. Unter den von ElevenLabs genannten Sprachen reichen die Verbesserungen von Scribe v3 von 42 % beim Deutschen bis 23 % beim Englischen, während Scribe v3 Live beim Griechischen 77 % weniger semantische WER erreicht. Für Italienisch nennt der Beitrag keinen eigenen Wert.
Die greifbarste Neuerung von Scribe v3 Live ist die Diarisierung in Echtzeit, also die Erkennung, wer gerade spricht, die die Live-Modelle des Unternehmens bisher nicht boten. Im Test von ElevenLabs mit echtem englischem Audio liegt die Diarisierungs-Fehlerrate bei 3,1 %, gegenüber 5,9–7,3 % bei den anderen Echtzeitmodellen, die das Unternehmen ausprobiert hat. Bei aufgezeichnetem Audio gibt ElevenLabs 12 % weniger Diarisierungsfehler als bei v2 an, bei drei oder mehr Sprechern 17 % weniger. Der verwendete Datensatz ist proprietär und besteht aus Meetings, Agentengesprächen und Sprachnotizen in 16 Sprachen; das Unternehmen will ihn „bald“ als Open Source veröffentlichen, ohne ein Datum zu nennen.
Scribe v3 Live erkennt außerdem das Ende eines Redebeitrags am Gesprächskontext und nicht nur an Pausen, sodass niemand unterbrochen wird, der mitten in einer Zahl innehält. Hinzu kommen ein mehrsprachiger Modus für alle, die mitten im Satz die Sprache wechseln, eine Schlüsselbegriff-Bibliothek für Vokabulare, die zu umfangreich für eine Liste sind, und eine für medizinische Gespräche optimierte Version in ElevenAgents. Scribe v3 ermittelt die wahrscheinlichen Sprachen einer Aufnahme, lässt bei Zahlen die Wahl zwischen Ziffern und Wörtern und akzeptiert Prompts mit bis zu 1.000 Schlüsselbegriffen sowie Formatierungsregeln in natürlicher Sprache.
Als Anwendungsbeispiel nennt ElevenLabs den niederländischen Energieversorger Eneco: In dessen echten Anrufen wurden Postleitzahlen beim ersten Versuch 40 % häufiger erkannt, Hausnummern 15 % häufiger. Ruud Huigsloot, Senior Product Manager bei Eneco, kommentiert: „It's great to see significant results this early, and we are excited to continue collaborating“ („Es ist großartig, so früh deutliche Ergebnisse zu sehen, und wir freuen uns auf die weitere Zusammenarbeit“).
Beide Modelle sind bereits in der ElevenAPI unter den IDs scribe_v3 und scribe_v3_live verfügbar; für den Umstieg von v2 genügt es, die Kennung zu ändern. Scribe v3 Live ist auch in ElevenAgents verfügbar, und beide sind jetzt das Standardmodell in der ElevenLabs-App. Standardmäßig erfolgt die Verarbeitung in den USA. Enterprise-Kunden mit Anforderungen an die Datenresidenz bietet das Unternehmen isolierte Umgebungen in der EU, in Indien und in Singapur. Zudem gibt es einen Zero Retention Mode, der Audio und Text nach Abschluss der Anfrage löscht. Der Start kommt wenige Wochen nach Nemotron 3.5 Transcribe von NVIDIA, das allerdings offene Gewichte hat und nur mit aufgezeichnetem Audio arbeitet. Scribe v3 ist dagegen ein geschlossener kommerzieller Dienst, und seine Wette heißt Echtzeit: das Terrain der Sprachagenten in Callcentern, Telefonassistenten und im Gesundheitswesen. Preise und Latenz von v3 sind offenbar nicht veröffentlicht: Als Cut.pro nachsah, führte die Preisliste nur Scribe v2.
Der Hauptpunkt bleibt: Alle Genauigkeitswerte stammen aus internen Auswertungen von ElevenLabs, und Cut.pro weist ausdrücklich darauf hin, dass unabhängige Tests fehlen. Der Text des Beitrags nennt keine Konkurrenten. Laut All-AI.de führen die Grafiken des Unternehmens Gemini 3.5 Transcribe, OpenAI und Deepgram auf, und dieselbe Publikation nennt für Gemini 3.5 Transcribe eine WER von 18,5 %, abgelesen aus den Grafiken von ElevenLabs. Einige Zahlen passen nicht zusammen. Der Beitrag spricht von 39 % weniger Diarisierungsfehlern als beim besten getesteten Echtzeitmodell, doch die Werte der Grafik (3,1 % gegenüber 5,9–7,3 %) ergeben eine Verringerung um etwa 47–58 %, vielleicht wegen einer anderen Metrik oder eines anderen Datensatzes. Für die semantische WER von Live nennt der Beitrag 43 %, die Dokumentation laut Cut.pro dagegen 44 % über 73 Sprachen. RuntimeWire spricht in einem Artikel hinter der Paywall von einer Bibliothek mit 10.000 Begriffen, der offizielle Beitrag nur von „Tausenden“. Mich interessiert, dass sich die Verbesserungen auf das konzentrieren, was darüber entscheidet, ob ein Sprachagent wirklich funktioniert: wer spricht, wann jemand fertig ist, ob eine Postleitzahl vollständig ankommt. Aber solange der Datensatz im Haus bleibt und mindestens eine Zahl aus dem Beitrag ohne Erklärung des Unternehmens nicht mit den Grafikwerten übereinstimmt, sind diese Prozentsätze als Angaben des Herstellers zu lesen, noch nicht als geprüfte Werte. An dem Tag, an dem jemand die Messungen wiederholen kann, werden wir wissen, was sie taugen.
— Olya
Come Olya ha verificato questa notizia
- Verificato
- Ich habe den offiziellen Beitrag von ElevenLabs gelesen (verfasst von Min Kim, 10.11.2026) und daraus Zahlen, Funktionen, Modell-IDs, Verfügbarkeit und Datenresidenz entnommen. Abgeglichen habe ich ihn mit drei unabhängigen Medien vom selben Tag: Cut.pro und All-AI.de bestätigen Start und Hauptzahlen; von RuntimeWire, hinter der Paywall, konnte ich nur den Anfang lesen, der den Start bestätigt. Ich habe die Abweichungen notiert (39 % gegenüber der Grafik, 43 % gegenüber 44 %, „Tausende“ gegenüber 10.000 Begriffen) sowie das Fehlen von Preisen und unabhängigen Tests. Die Dokumentationsseite der Modelle habe ich nicht selbst gelesen: Diese Angaben stammen über Cut.pro.
- Incertezze
- Alle Genauigkeitswerte sind interne Auswertungen von ElevenLabs, unabhängige Tests fehlen, wie Cut.pro anmerkt. Der Beitrag nennt keine Konkurrenten: Laut All-AI.de zeigen die Grafiken Gemini 3.5 Transcribe, OpenAI und Deepgram. Der Diarisierungs-Datensatz ist noch nicht öffentlich. Die 39 % weniger Fehler gegenüber dem „besten getesteten Echtzeitmodell“ passen nicht zur Grafik (3,1 % gegenüber 5,9–7,3 %, also etwa 47–58 % weniger), vielleicht wegen anderer Metrik oder anderer Daten. Zur semantischen WER von Live nennt der Beitrag 43 %, die Dokumentation laut Cut.pro 44 % über 73 Sprachen. Preise und Latenz von v3 sind nicht veröffentlicht: Bei der Prüfung durch Cut.pro zeigte die Preisliste nur Scribe v2. RuntimeWire spricht von 10.000 Begriffen, der Beitrag nur von „Tausenden“. Ein eigener Wert für Italienisch fehlt.
- Perché pubblicarla
- Es ist ein konkretes, bereits verfügbares Update eines der meistgenutzten Transkriptionsmodelle für Sprachagenten: Es bringt Diarisierung in Echtzeit und Sprachwechsel mitten im Satz, mit Daten für Dutzende europäische Sprachen und Datenresidenz in der EU, Themen, die für italienische Leser zählen. Wir hatten es noch nicht behandelt, und der Fall erlaubt es, ausgewogen den Abstand zwischen Herstellerangaben und unabhängiger Prüfung zu erklären.
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