Новости · Инструменты

ElevenLabs выпустила Scribe v3 и Scribe v3 Live: распознавание речи с меньшим числом ошибок

ElevenLabs анонсировала две модели распознавания речи: Scribe v3 для записанного аудио и Scribe v3 Live для реального времени. Компания заявляет о снижении ошибок и впервые добавляет разметку говорящих в реальном времени.

Редакция DeepMe
· 3 мин чтения
Бумажная карточка с волнистым краем, две керамические дорожки, стопка кубиков и лента с шариками на столе.
Иллюстрация к теме новости
Первоисточник: elevenlabs.ioМатериал источника от 10.11.2026

Адаптация и понятное объяснение для начинающих. Заявления приведены по материалу источника.

ElevenLabs представила две модели распознавания речи: Scribe v3 для записанного аудио и Scribe v3 Live для потоковой транскрипции. Обе доступны в ElevenAPI, а Live-версия — ещё и в ElevenAgents. Переход со старых версий компания описывает как смену идентификатора модели.

Что произошло

По данным ElevenLabs, Scribe v3 делает на 27% меньше ошибок в словах, чем Scribe v2, на 102 языках. Для реального времени компания заявляет снижение ошибок на 43% у Scribe v3 Live по сравнению с Scribe v2 Realtime. В Live-версии впервые появилась диаризация — разметка того, кто именно говорит, — а также улучшенное определение момента, когда собеседник закончил реплику.

Компания также добавила управление форматом вывода. По описанию ElevenLabs, можно выбирать, возвращать числа цифрами или словами, задавать до 1000 ключевых терминов, а также применять правила форматирования, записанные обычным языком. У Live-версии есть режим для разговоров, где языки переключаются посреди фразы, и библиотека терминов для очень больших словарей.

Что это значит для начинающего

Транскрипция — это перевод речи в текст. Ошибки в ней накапливаются: если модель неверно расслышала слово, дальше испортятся конспект встречи, ответ голосового агента или субтитры. Поэтому даже несколько процентных пунктов точности имеют значение. ElevenLabs приводит пример: в часовой встрече на 9000 слов разница между 4% и 2% ошибок — это 180 неверных слов.

Для новичка практический смысл в том, что такие модели — готовый строительный блок для приложений с аудио: заметок со встреч, колл-центров, голосовых ассистентов. Если вы уже работаете с ElevenAPI, по описанию компании переход сводится к замене идентификатора модели. Но это утверждение самой компании, а не независимая проверка.

Полезно запомнить два термина. Диаризация — разметка, кто произнёс каждую реплику. Определение конца реплики (turn detection) — момент, когда система решает, что человек договорил. Раньше это часто делали по паузам, из-за чего можно перебить собеседника; ElevenLabs заявляет, что Live-версия учитывает контекст разговора.

На что обратить внимание

Все проценты улучшений — внутренние замеры ElevenLabs. Компания сравнивала модели на собственном наборе данных и на внутренней версии бенчмарка FLEURS, который проверяет короткую чистую речь. Это не независимая экспертиза, и результаты в реальных шумных записях могут отличаться.

Компания также отмечает, что метрики диаризации для записей и для реального времени считаются по-разному, поэтому их нельзя напрямую сравнивать между собой. Часть данных ElevenLabs обещает открыть позже.

Модели по умолчанию работают в США; изолированные среды в ЕС, Индии и Сингапуре компания предлагает корпоративным клиентам. Доступность и условия в России в источнике не описаны. Для медицинских разговоров анонсирована отдельная версия Live-модели в ElevenAgents.

Если вы выбираете инструмент, проверяйте его на своих записях: именно имена, числа и профессиональный жаргон чаще всего распознаются с ошибками. Подробнее о типичных промахах при работе с генеративными моделями — в материале о том, как их избежать.