ElevenLabs prezentuje Scribe v3 i v3 Live: transkrypcja stawia na czas rzeczywisty, a wszystkie liczby pochodzą od samej firmy
10 listopada 2026 roku ElevenLabs ogłosiło na swoim blogu dwa modele transkrypcji mowy: Scribe v3, przeznaczony do nagranego dźwięku, i Scribe v3 Live, do dźwięku w czasie rzeczywistym. Według firmy Scribe v3 popełnia o 27% mniej błędów słów (WER) niż Scribe v2, w 102 językach mierzonych na wewnętrznej wersji benchmarku FLEURS, czyli na krótkiej, czystej, czytanej mowie. Scribe v3 Live porównano ze Scribe v2 Realtime: o 43% niższy semantyczny WER i o 31% niższy klasyczny WER, również w 102 językach. Cut.pro i All-AI.de, powołując się na oficjalną dokumentację, podają, że średni WER w FLEURS spadł z około 16,9–17,0% w v2 do około 12,4% w v3. Wśród języków wymienionych przez ElevenLabs poprawa w Scribe v3 waha się od 42% dla niemieckiego do 23% dla angielskiego, a w Scribe v3 Live grecki osiąga o 77% niższy semantyczny WER. Dla włoskiego wpis nie podaje osobnej liczby.
Najbardziej konkretną nowością Scribe v3 Live jest diaryzacja w czasie rzeczywistym, czyli rozpoznawanie, kto mówi, czego modele Live firmy dotąd nie oferowały. W teście ElevenLabs na prawdziwym nagraniu w języku angielskim wskaźnik błędów diaryzacji wynosi 3,1%, wobec 5,9–7,3% w innych modelach czasu rzeczywistego sprawdzonych przez firmę. W przypadku nagrań ElevenLabs deklaruje o 12% mniej błędów diaryzacji niż w v2 i o 17% mniej przy trzech lub więcej mówcach. Użyty zbiór danych jest własnością firmy i składa się ze spotkań, rozmów z agentami i notatek głosowych w 16 językach; firma zapowiada, że udostępni go jako open source “wkrótce”, nie podając daty.
Scribe v3 Live rozpoznaje też koniec wypowiedzi na podstawie kontekstu rozmowy, a nie tylko pauz, więc ktoś, kto zatrzyma się w połowie numeru, nie zostanie przerwany. Dochodzi do tego tryb wielojęzyczny dla osób zmieniających język w pół zdania, biblioteka terminów kluczowych dla słowników zbyt obszernych, by zmieścić je na liście, oraz wersja zoptymalizowana pod rozmowy medyczne w ElevenAgents. Scribe v3 wykrywa prawdopodobne języki nagrania, pozwala wybrać zapis liczb cyframi lub słowami i przyjmuje prompty z maksymalnie 1000 terminów kluczowych oraz regułami formatowania zapisanymi językiem naturalnym.
Przykład wdrożenia podany przez ElevenLabs to holenderska firma energetyczna Eneco: w jej prawdziwych rozmowach kody pocztowe były rozpoznawane za pierwszym razem o 40% częściej, a numery domów o 15% częściej. Ruud Huigsloot, Senior Product Manager w Eneco, komentuje: “It's great to see significant results this early, and we are excited to continue collaborating” (“Świetnie widzieć tak wcześnie wyraźne efekty i cieszymy się na dalszą współpracę”).
Oba modele są już dostępne w ElevenAPI pod identyfikatorami scribe_v3 i scribe_v3_live, a przejście z v2 wymaga jedynie zmiany identyfikatora. Scribe v3 Live działa też w ElevenAgents, a oba są teraz domyślnym modelem w aplikacji ElevenLabs. Domyślnie przetwarzanie odbywa się w Stanach Zjednoczonych. Klientom korporacyjnym z wymogami dotyczącymi lokalizacji danych firma oferuje odizolowane środowiska w UE, Indiach i Singapurze. Dostępny jest również Zero Retention Mode, który usuwa dźwięk i tekst po zakończeniu żądania. Premiera następuje kilka tygodni po Nemotron 3.5 Transcribe od NVIDII, który jednak ma otwarte wagi i działa tylko na nagraniach. Scribe v3 to z kolei zamknięta usługa komercyjna, a jej zakład to czas rzeczywisty, czyli teren agentów głosowych w call center, asystentów telefonicznych i opieki zdrowotnej. Ceny i opóźnienia v3 nie zostały chyba opublikowane: gdy Cut.pro to sprawdzało, cennik pokazywał tylko Scribe v2.
Najważniejsze pozostaje jedno: wszystkie dane o dokładności pochodzą z wewnętrznych ocen ElevenLabs, a Cut.pro wprost zauważa brak niezależnych testów. Tekst wpisu nie wymienia konkurentów. Według All-AI.de wykresy firmy pokazują Gemini 3.5 Transcribe, OpenAI i Deepgram, a ten sam serwis podaje dla Gemini 3.5 Transcribe WER na poziomie 18,5%, odczytany z wykresów ElevenLabs. Niektóre liczby się nie zgadzają. Wpis mówi o 39% mniej błędów diaryzacji w porównaniu z najlepszym przetestowanym modelem czasu rzeczywistego, ale wartości z wykresu (3,1% wobec 5,9–7,3%) wskazują na spadek o około 47–58%, być może z powodu innej metryki lub innego zbioru danych. Dla semantycznego WER w Live wpis podaje 43%, a dokumentacja według Cut.pro 44% w 73 językach. RuntimeWire w artykule za paywallem pisze o bibliotece 10 000 terminów, podczas gdy oficjalny wpis mówi tylko o “tysiącach”. Interesuje mnie to, że ulepszenia skupiają się na tym, co decyduje, czy agent głosowy naprawdę działa: kto mówi, kiedy skończył, czy kod pocztowy dotrze w całości. Ale dopóki zbiór danych zostaje w firmie, a przynajmniej jedna liczba z wpisu nie zgadza się z wartościami na wykresach i firma tego nie wyjaśnia, te procenty trzeba czytać jako deklaracje samej firmy, jeszcze niezweryfikowane. W dniu, w którym ktoś będzie mógł powtórzyć pomiary, dowiemy się, ile są warte.
— Olya
Come Olya ha verificato questa notizia
- Verificato
- Przeczytałam oficjalny wpis ElevenLabs (autor: Min Kim, 10.11.2026) i wyciągnęłam z niego liczby, funkcje, identyfikatory modeli, dostępność i lokalizację danych. Porównałam go z trzema niezależnymi serwisami z tego samego dnia: Cut.pro i All-AI.de potwierdzają premierę i główne liczby; z RuntimeWire, za paywallem, przeczytałam tylko lead, który potwierdza premierę. Zanotowałam rozbieżności (39% wobec wykresu, 43% wobec 44%, “tysiące” wobec 10 000 terminów) oraz brak cen i niezależnych testów. Strony z dokumentacją modeli nie czytałam bezpośrednio: dane z niej pochodzą za pośrednictwem Cut.pro.
- Incertezze
- Wszystkie dane o dokładności to wewnętrzne oceny ElevenLabs, bez niezależnych testów, na co zwraca uwagę Cut.pro. Wpis nie wymienia konkurentów: według All-AI.de wykresy pokazują Gemini 3.5 Transcribe, OpenAI i Deepgram. Zbiór danych do diaryzacji nie jest jeszcze publiczny. Spadek błędów o 39% względem “najlepszego przetestowanego modelu czasu rzeczywistego” nie zgadza się z wykresem (3,1% wobec 5,9–7,3%, czyli około 47–58% mniej), być może przez inną metrykę lub dane. Dla semantycznego WER w Live wpis podaje 43%, dokumentacja według Cut.pro 44% w 73 językach. Ceny i opóźnienia v3 nie są opublikowane: gdy sprawdzało to Cut.pro, cennik pokazywał tylko Scribe v2. RuntimeWire pisze o 10 000 terminów, wpis tylko o “tysiącach”. Brak osobnych danych dla włoskiego.
- Perché pubblicarla
- To konkretna, już dostępna aktualizacja jednego z najczęściej używanych modeli transkrypcji w agentach głosowych: wprowadza diaryzację w czasie rzeczywistym i zmianę języka w pół zdania, z danymi dla dziesiątek języków europejskich i przechowywaniem danych w UE, czyli tematami ważnymi dla włoskich czytelników. Nie pisaliśmy jeszcze o tym, a przypadek pozwala rzetelnie pokazać dystans między benchmarkami deklarowanymi przez producenta a niezależną weryfikacją.
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