跳到主要內容
2026-11-13 日報
模型發布

ElevenLabs 發布 Scribe v3 與即時版 Scribe v3 Live:詞錯率降約 25%,即時版可依對話語境避免打斷來電者

The Decoder單一來源
核實資料不足

目前依單一來源整理,這是來源數量描述,不是對消息真假的判定。

本次未取得足夠原文證據

ElevenLabs 推出語音轉文字模型 Scribe v3 與即時版 Scribe v3 Live,主打會議重疊發言、背景噪音等複雜音訊場景,目前可透過 ElevenAPI 與 ElevenAgents 平台使用。據該公司表示,Scribe v3 在 102 種語言上的詞錯誤率較前代下降約 25%,德語準確度提升明顯,多人對話中的說話者分離也更穩定;Scribe v3 Live 則首次把說話者分離能力帶入即時場景。 獨立評測機構 Artificial Analysis 的結果顯示,Scribe v3 在錄製音檔的準確度上位居市場前列,僅次於阿里巴巴的一款預覽模型,並超越微軟、Mistral、xAI、Google 與 OpenAI 的模型。但在速度與價格上,Scribe v3 處於中段:微軟與 xAI 的模型速度快數倍、錯誤率僅略高,成本約為其一半。該評測只衡量錄音檔的詞錯誤,未涵蓋該公司強調的說話者分離、稀有語言與即時版表現。 針對語音代理,Scribe v3 Live 的目標是改善現有系統的問題:多數系統依賴固定的停頓計時器,來電者短暫停頓思考或慢速念出一串數字時就會被切斷。新模型會結合對話語境與音訊訊號,判斷說話者是否真正說完。 開發者也能更精細地控制逐字稿:可預載數千個品牌名、藥品名等專業詞彙,設定數字與日期的格式規則,並使用可在句中切換語言的多語模式。企業客戶可取得位於歐盟的獨立伺服器,以及請求結束後立即刪除資料的零保留模式。 同時,ElevenLabs 擴大企業業務:與 Nvidia 深化合作,將開源的 Nemotron 3.5 Super VL 語言模型整合進 ElevenAgents,並取得額外 Nvidia 算力、開發機器人本地語音控制,另為波蘭公共衛生系統部署電話代理。該公司也與顧問公司 McKinsey 結盟,並推出系統整合商合作計畫與語音代理市集,Salesforce、IBM、Zendesk 等公司已在上面提供現成的語音代理。
讀原始報導

背景

說話者分離(speaker diarization)是把包含人聲的音訊切成片段,並依每段是哪位說話者來歸類的處理過程。這能讓語音轉文字的結果依說話者輪替來分段,閱讀起來更清楚;若再搭配說話者辨識系統,還能標示出說話者的真實身分。

來源