ElevenLabs Scribe v3双模型：102语种转写与实时低延迟
ElevenLabs发布两款新一代语音转文本模型Scribe v3和Scribe v3Live，分别面向预录制音频转写和低延迟实时语音应用，重点提升复杂语音环境下的识别能力，包括多人交谈、相互打断及背景噪声等场景。两款模型现已通过ElevenAPI和ElevenAgents平台向开发者开放。 ElevenLabs表示，
ElevenLabs上新两款语音转文本模型——Scribe v3和Scribe v3Live。前者面向预录制音频转写，后者瞄准低延迟实时语音应用。两者都把重点放在复杂语音环境下的识别能力上，多人交谈、相互打断、背景噪声等场景均在覆盖范围内。目前开发者已可通过ElevenAPI和ElevenAgents平台调用这两款模型。
据ElevenLabs介绍，
Scribe v3覆盖102种语言，单词错误率较上一代下降约25%，德语识别准确率也有明显提升。说话人分割功能在大型群组对话中表现得更可靠。Scribe v3Live则第一次支持实时说话人分割。
Artificial Analysis的独立基准测试给出了这样的结果：Scribe v3是当下准确率最高的语音转录模型之一，成绩超过微软、Mistral、xAI、Google和OpenAI等厂商的产品，只落后于阿里巴巴的一款预览版模型。不过速度和价格不是它的强项——每1000分钟基准价格为3.33美元，微软和xAI的部分产品处理更快、成本更低。该测试主要衡量录音转写的单词错误率，说话人分割、小语种及实时性能等优势尚未纳入。
面向AI语音客服场景，Scribe v3Live改进了发言结束判断机制。做法是把对话上下文和音频信号结合起来，减少传统固定暂停计时器带来的误判，用户短暂停顿或缓慢报读数字时不会轻易被系统打断。开发者还能预加载专业术语、设定数字和日期格式规则，并用多语言模式处理句内语言切换。企业客户可选择欧盟独立服务器及零数据保留模式。
企业生态方面，ElevenLabs也在继续铺开。公司与英伟达的合作进一步深化，将Nemotron3.5Super VL集成至ElevenAgents，同时开发机器人本地语音控制能力；与麦肯锡的合作则带来面向系统集成商的合作伙伴计划及语音代理市场，Salesforce、IBM和Zendesk等企业已提供相关产品。
从这次更新看，ElevenLabs正把业务从语音生成延伸到高准确率转录、实时交互和企业级语音代理基础设施。
