Elevenlabs 更新其语音识别，面向录制的对话和实时使用。独立基准测试确认其准确率高，但也显示出速度方面的不足。
Elevenlabs 已发布两款新的语音转文本模型，即 Scribe v3 和 Scribe v3 Live，专为嘈杂场景打造，例如会议中人们互相抢话，或背景噪音较大的电话通话。
Scribe v3 面向预先录制的音频文件，而 Scribe v3 Live 面向低延迟的实时应用。两款模型现已通过ElevenAPI开发者接口和ElevenAgents平台提供。
据 Elevenlabs 称，Scribe v3 在 102 种语言上将词错误率较前代降低约 25%，公司表示德语准确率有显著提升。公司称，说话人分离在更大的群组对话中也更可靠，而 Scribe v3 Live 首次实现了实时提供该功能。
Scribe v3 在准确率上领先，但比竞争对手更慢、更贵
来自Artificial Analysis的独立基准测试确认，Scribe v3 是市面上最准确的转录模型之一。它略胜 Microsoft、Mistral、xAI、Google 和 OpenAI 的竞品，仅落后于阿里巴巴的一款预览模型。
不过，想要快速、低成本处理大量音频的人，选择其他提供商更合适。Elevenlabs 在速度和价格上处于中游。Microsoft 和 xAI 的模型运行速度快数倍，错误率仅略高，成本约为其一半。
然而，该基准测试仅衡量录制文件上的词错误。它并未计入 Elevenlabs 所宣称的说话人分离、稀有语言方面的改进，也未计入 Scribe v3 Live 的实时表现。
Scribe v3 Live 旨在避免语音智能体打断来电者
在语音智能体中，Scribe v3 Live 旨在修复当前系统的一个缺陷：现有系统往往依赖僵硬的停顿计时器，当来电者短暂停下来思考或缓慢读出一串数字时，会在句子中途被切断。这个新的实时模型会结合音频信号分析对话上下文，从而判断说话者是否真的说完了。
Elevenlabs 还让开发者对最终转录文本拥有更多控制权。这些模型可以预加载数千个专业术语，例如品牌名称或药物名称，以避免听错领域特定词汇。开发者可以为数字或日期设置自然语言的格式规则，多语言模式则能处理句子中途的语言切换。企业客户可获得位于欧盟的隔离服务器以及一个零保留模式该模式旨在每次请求后立即删除数据。
Elevenlabs 还在推出新模型的同时扩展其企业业务。在一项与 Nvidia 扩大的合作中，该公司正将开源的 Nemotron 3.5 Super VL 语言模型集成到 ElevenAgents，确保在 Nvidia 上运行额外的算力容量，为机器人开发本地语音控制，并为波兰公共卫生系统运行一个电话智能体。该公司还宣布了与咨询公司 McKinsey 的联盟、一项更广泛的合作伙伴计划面向系统集成商，以及其自有市场在该市场中，Salesforce、IBM 和 Zendesk 等公司提供现成的语音智能体。