ElevenLabs представила Scribe v3 и v3 Live: транскрипция делает ставку на реальное время, а все цифры — от самой компании
10 ноября 2026 года ElevenLabs объявила в своём блоге о двух моделях транскрипции речи: Scribe v3 для записанного аудио и Scribe v3 Live для аудио в реальном времени. По словам компании, Scribe v3 допускает на 27% меньше ошибок в словах (WER), чем Scribe v2, на 102 языках, измеренных на внутренней версии бенчмарка FLEURS, то есть на короткой, чистой, зачитанной речи. Scribe v3 Live сравнивают со Scribe v2 Realtime: семантический WER ниже на 43%, классический — на 31%, тоже на 102 языках. Cut.pro и All-AI.de со ссылкой на официальную документацию сообщают, что средний WER на FLEURS снизился примерно с 16,9–17,0% у v2 до около 12,4% у v3. Среди языков, которые упоминает ElevenLabs, улучшения Scribe v3 составляют от 42% для немецкого до 23% для английского, а у Scribe v3 Live для греческого семантический WER снизился на 77%. Отдельной цифры для итальянского в посте нет.
Самая ощутимая новинка Scribe v3 Live — диаризация в реальном времени, то есть определение того, кто говорит. До сих пор Live-модели компании этого не умели. В тесте ElevenLabs на реальном английском аудио доля ошибок диаризации составила 3,1% против 5,9–7,3% у других моделей реального времени, которые проверила компания. Для записанного аудио ElevenLabs заявляет на 12% меньше ошибок диаризации, чем у v2, и на 17% меньше при трёх и более говорящих. Использованный датасет — собственный, он состоит из совещаний, звонков с агентами и голосовых заметок на 16 языках; компания обещает открыть его «скоро», но дату не называет.
Кроме того, Scribe v3 Live определяет конец реплики по контексту разговора, а не только по паузам, поэтому человека, который замолчал посреди номера, не перебивают. Добавились многоязычный режим для тех, кто переключается между языками посреди фразы, библиотека ключевых терминов для словарей, слишком больших для простого списка, и версия, оптимизированная для медицинских разговоров в ElevenAgents. Scribe v3 определяет вероятные языки записи, позволяет выбирать, писать числа цифрами или словами, и принимает промпты с количеством ключевых терминов до 1000 и правилами форматирования на естественном языке.
В качестве примера ElevenLabs приводит нидерландскую энергетическую компанию Eneco: в её реальных звонках почтовые индексы распознавались с первой попытки на 40% чаще, а номера домов — на 15% чаще. Руд Хёйхслот (Ruud Huigsloot), Senior Product Manager в Eneco, говорит: «It's great to see significant results this early, and we are excited to continue collaborating» («Здорово видеть ощутимые результаты так рано, и мы рады продолжать сотрудничество»).
Обе модели уже доступны в ElevenAPI под идентификаторами scribe_v3 и scribe_v3_live, и для перехода с v2 достаточно поменять идентификатор. Scribe v3 Live доступна и в ElevenAgents, а обе модели теперь используются по умолчанию в приложении ElevenLabs. По умолчанию обработка идёт в США. Корпоративным клиентам с требованиями к хранению данных компания предлагает изолированные среды в ЕС, Индии и Сингапуре. Есть и Zero Retention Mode, который удаляет аудио и текст по завершении запроса. Запуск состоялся через несколько недель после Nemotron 3.5 Transcribe от NVIDIA, у которой, впрочем, открытые веса и работа только с записанным аудио. Scribe v3, напротив, закрытый коммерческий сервис, и его ставка — реальное время, то есть территория голосовых агентов колл-центров, телефонных ассистентов и здравоохранения. Цены и задержка v3, судя по всему, не опубликованы: когда Cut.pro проверял, в прайс-листе был только Scribe v2.
Главное остаётся в силе: все цифры точности получены во внутренних оценках ElevenLabs, и Cut.pro прямо отмечает отсутствие независимых тестов. В тексте поста конкуренты не названы. По данным All-AI.de, на графиках компании фигурируют Gemini 3.5 Transcribe, OpenAI и Deepgram, и то же издание приводит для Gemini 3.5 Transcribe WER 18,5%, снятый с графиков ElevenLabs. Некоторые числа не сходятся. В посте говорится о 39% меньше ошибок диаризации по сравнению с лучшей протестированной моделью реального времени, но значения на графике (3,1% против 5,9–7,3%) дают снижение примерно на 47–58% — возможно, из-за разницы в метрике или датасете. Для семантического WER у Live пост называет 43%, а документация, по данным Cut.pro, — 44% на 73 языках. RuntimeWire в платной статье пишет о библиотеке на 10 000 терминов, а официальный пост говорит лишь о «тысячах». Мне интересно, что улучшения сосредоточены на том, от чего зависит, работает ли голосовой агент на самом деле: кто говорит, когда он закончил, дойдёт ли почтовый индекс целиком. Но пока датасет остаётся внутри компании, а как минимум одна цифра из поста без объяснений не совпадает со значениями на графиках, эти проценты стоит читать как заявления самой компании, ещё не проверенные. В тот день, когда кто-нибудь сможет повторить измерения, мы узнаем, чего они стоят.
— Olya
Come Olya ha verificato questa notizia
- Verificato
- Я прочитала официальный пост ElevenLabs (автор — Min Kim, 10.11.2026) и взяла из него цифры, функции, идентификаторы моделей, доступность и место хранения данных. Сверила его с тремя независимыми изданиями того же дня: Cut.pro и All-AI.de подтверждают запуск и основные цифры; у RuntimeWire, закрытого пейволлом, я прочитала только вступление, которое подтверждает запуск. Отметила расхождения (39% против графика, 43% против 44%, «тысячи» против 10 000 терминов) и отсутствие цен и независимых тестов. Страницу документации моделей я напрямую не читала: эти данные получены через Cut.pro.
- Incertezze
- Все цифры точности — внутренние оценки ElevenLabs, независимых тестов нет, как отмечает Cut.pro. Пост не называет конкурентов: по данным All-AI.de, на графиках фигурируют Gemini 3.5 Transcribe, OpenAI и Deepgram. Датасет для диаризации пока не опубликован. 39% меньше ошибок по сравнению с «лучшей протестированной моделью реального времени» не сходятся с графиком (3,1% против 5,9–7,3%, то есть примерно на 47–58% меньше) — возможно, из-за другой метрики или данных. По семантическому WER у Live пост называет 43%, документация, по данным Cut.pro, — 44% на 73 языках. Цены и задержка v3 не опубликованы: при проверке Cut.pro в прайс-листе был только Scribe v2. RuntimeWire пишет о 10 000 терминов, пост — только о «тысячах». Отдельных данных для итальянского нет.
- Perché pubblicarla
- Это конкретное и уже доступное обновление одной из самых используемых моделей транскрипции в голосовых агентах: диаризация в реальном времени и смена языка посреди фразы, данные для десятков европейских языков и хранение данных в ЕС — темы, важные для итальянских читателей. Мы об этом ещё не писали, а случай позволяет взвешенно показать разрыв между бенчмарками, заявленными производителем, и независимой проверкой.
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