12 ноября 2026 года ElevenLabs представила две модели распознавания речи: Scribe v3 для записанного аудио и Scribe v3 Live для приложений реального времени. Обе доступны через ElevenAPI и платформу ElevenAgents, сообщает The Decoder. Для разработчиков голосовых агентов ключевое различие — заявленный подход Live к определению момента, когда собеседник закончил фразу.
Две модели для разных сценариев
Scribe v3 предназначена для обработки уже записанных аудиофайлов, а Scribe v3 Live — для низколатентного распознавания в приложениях реального времени. Поэтому первая подходит для транскрибации записей, вторая — для сценариев, где приложение реагирует на речь по ходу разговора. По сообщению The Decoder, обе модели доступны через ElevenAPI и ElevenAgents.
Заявленные улучшения распознавания
ElevenLabs заявляет, что Scribe v3 сокращает число ошибок распознавания слов примерно на 25% по сравнению с предыдущей версией в 102 языках. Компания также сообщает об улучшении точности для немецкой речи и диаризации — разделения транскрипции по говорящим, в том числе в больших группах. По описанию компании, Scribe v3 Live впервые поддерживает диаризацию в реальном времени.
Точность, скорость и цена
По пересказу The Decoder, в сравнении Artificial Analysis Scribe v3 показала наивысшую точность среди перечисленных моделей, уступив только предварительной модели Alibaba. В сравнении также участвовали системы Microsoft, Mistral, xAI, Google и OpenAI. The Decoder указывает цену Scribe v3 в $3,33 за 1000 минут и сообщает, что модели Microsoft и xAI работают во много раз быстрее и стоят примерно вдвое меньше, при несколько более высоком уровне ошибок.
Это опубликованное сравнение Artificial Analysis в изложении The Decoder, а не тест редакции. По приведённым сведениям, выбор зависит от задачи: более высокая точность в этом тесте может быть важнее скорости и стоимости для отдельных сценариев, тогда как обработка больших объёмов аудио может сделать скорость и цену решающими.
Границы бенчмарка
Сравнение измеряет ошибки слов на записанных аудиофайлах. Оно не оценивает поведение Scribe v3 Live в живом разговоре, заявленные улучшения диаризации или работу с редкими языками. Поэтому результаты бенчмарка сами по себе не подтверждают, что Live лучше справляется с паузами и перебиваниями, или что заявленные преимущества распространяются на эти сценарии.
Что Live обещает голосовым агентам
Системы голосовых агентов могут использовать фиксированный таймер паузы и начать ответ, пока человек обдумывает фразу или медленно произносит последовательность чисел. По описанию ElevenLabs, Scribe v3 Live анализирует контекст разговора вместе с аудиосигналом, чтобы определить, закончил ли человек говорить. Компания предлагает это как способ снизить риск преждевременного прерывания реплики; сравнительных результатов такого теста в описании бенчмарка нет.
ElevenLabs также сообщает о настройке специализированных терминов, например названий брендов и лекарств, правилах записи чисел и дат на естественном языке и обработке смены языка внутри фразы. Для корпоративных клиентов компания описывает изолированные серверы в ЕС и режим нулевого хранения данных. Это заявленные функции и условия продукта, а не результаты отдельной проверки.
