ElevenLabs 发布 Scribe v3 与 v3 Live:语音转写押注实时,数据全部出自厂商自测
2026 年 11 月 10 日,ElevenLabs 在官方博客上发布了两款语音转写模型:面向录制音频的 Scribe v3,以及面向实时音频的 Scribe v3 Live。据公司介绍,Scribe v3 的词错误率(WER)比 Scribe v2 低 27%,测试覆盖 102 种语言,使用的是内部版本的 FLEURS 基准,也就是简短、干净的朗读语音。Scribe v3 Live 的对比对象是 Scribe v2 Realtime:语义 WER 降低 43%,传统 WER 降低 31%,同样覆盖 102 种语言。Cut.pro 和 All-AI.de 援引官方文档称,FLEURS 平均 WER 从 v2 的约 16.9%–17.0% 降至 v3 的约 12.4%。在 ElevenLabs 列出的语言中,Scribe v3 的提升幅度从德语的 42% 到英语的 23% 不等;Scribe v3 Live 在希腊语上的语义 WER 降幅达到 77%。博文没有给出意大利语的具体数据。
Scribe v3 Live 最实在的新功能是实时说话人分离,也就是识别“谁在说话”,这是该公司 Live 模型此前不具备的。在 ElevenLabs 用真实英语音频进行的测试中,说话人分离错误率为 3.1%,而公司测试的其他实时模型为 5.9%–7.3%。在录制音频上,ElevenLabs 称说话人分离错误比 v2 减少 12%,三人及以上对话时减少 17%。所用数据集为公司自有,由 16 种语言的会议、客服坐席通话和语音备忘录组成;公司表示将“很快”开源,但没有给出日期。
Scribe v3 Live 还会结合对话上下文、而不只是停顿来判断一轮发言是否结束,因此说到一半的号码停下来时不会被打断。它还新增了多语言模式,适合在一句话中途切换语言的用户;一个关键词库,用于大到无法列成清单的词汇表;以及在 ElevenAgents 中针对医疗对话优化的版本。Scribe v3 能识别录音中可能出现的语言,允许为数字选择阿拉伯数字或文字写法,并支持包含最多 1,000 个关键词及自然语言格式规则的提示。
ElevenLabs 举的应用案例是荷兰能源公司 Eneco:在其真实通话中,邮政编码一次识别成功的次数增加了 40%,门牌号增加了 15%。Eneco 高级产品经理 Ruud Huigsloot 表示:“It's great to see significant results this early, and we are excited to continue collaborating”(“这么早就看到显著成效很令人高兴,我们期待继续合作”)。
两款模型已上线 ElevenAPI,ID 分别为 scribe_v3 和 scribe_v3_live,从 v2 迁移只需更换标识符。Scribe v3 Live 也已在 ElevenAgents 中提供,两者现在都是 ElevenLabs 应用的默认模型。默认情况下,数据在美国处理。对于有数据驻留要求的企业客户,公司提供位于欧盟、印度和新加坡的隔离环境。此外还有 Zero Retention Mode,会在请求结束后删除音频和文本。此次发布距 NVIDIA 推出 Nemotron 3.5 Transcribe 仅数周,不过后者是开放权重模型,且只处理录制音频。Scribe v3 则是闭源商业服务,它押注的是实时场景,也就是呼叫中心语音代理、电话助理和医疗领域。v3 的价格和延迟似乎尚未公布:Cut.pro 查看时,价目表上只有 Scribe v2。
关键问题依然存在:所有准确率数据都来自 ElevenLabs 的内部评测,Cut.pro 也明确指出缺少独立测试。博文正文没有点名竞争对手。据 All-AI.de 报道,公司图表中列出了 Gemini 3.5 Transcribe、OpenAI 和 Deepgram,该媒体还根据 ElevenLabs 的图表读出 Gemini 3.5 Transcribe 的 WER 为 18.5%。有些数字对不上。博文称说话人分离错误比测试中最好的实时模型少 39%,但图表数值(3.1% 对 5.9%–7.3%)意味着降幅约为 47%–58%,可能是指标或数据集不同所致。关于 Live 的语义 WER,博文写的是 43%,而据 Cut.pro 称,文档给出的是 73 种语言上的 44%。RuntimeWire 在一篇付费文章中提到关键词库可容纳 10,000 个术语,官方博文只说“数千个”。让我感兴趣的是,这些改进集中在决定语音代理是否真正好用的地方:谁在说话、什么时候说完、邮政编码能否完整传达。但只要数据集仍留在公司内部,且博文中至少有一个数字与图表数值不符、公司又没有给出解释,这些百分比就只能视为厂商自己的说法,尚未经过验证。等到有人能重新测量的那一天,我们才会知道它们到底值多少。
— Olya
Come Olya ha verificato questa notizia
- Verificato
- 我阅读了 ElevenLabs 的官方博文(作者 Min Kim,2026 年 11 月 10 日),从中提取了数据、功能、模型 ID、上线情况和数据驻留信息。随后与同日三家独立媒体交叉核对:Cut.pro 和 All-AI.de 证实了发布和主要数据;RuntimeWire 有付费墙,我只读到导语,确认了发布消息。我记录了其中的出入(39% 与图表、43% 与 44%、“数千个”与 10,000 个术语),以及价格和独立测试的缺失。我没有直接阅读模型文档页面,相关数据经由 Cut.pro 转述。
- Incertezze
- 所有准确率数据均为 ElevenLabs 内部评测,正如 Cut.pro 指出的,没有独立测试。博文未点名竞争对手(据 All-AI.de,图表中列出了 Gemini 3.5 Transcribe、OpenAI 和 Deepgram)。说话人分离数据集尚未公开。比“测试中最好的实时模型”错误少 39% 的说法与图表数值不符(3.1% 对 5.9%–7.3%,即约少 47%–58%),可能是指标或数据集不同。Live 的语义 WER 降幅,博文写 43%,据 Cut.pro 文档写的是 73 种语言上的 44%。v3 的价格和延迟未公布:Cut.pro 查看时价目表上只有 Scribe v2。RuntimeWire 称有 10,000 个术语,博文只说“数千个”。没有意大利语的具体数据。
- Perché pubblicarla
- 这是语音代理中最常用的转写模型之一的一次具体且已可用的更新:带来实时说话人分离和句中切换语言,提供数十种欧洲语言的数据并支持欧盟数据驻留,这些都是意大利读者关心的话题。我们此前尚未报道过,而且这个案例可以平衡地说明厂商自报基准与独立验证之间的距离。
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