ElevenLabs Scribe v3 уступает превью-модели Alibaba по точности

Компания ElevenLabs выпустила две новые модели распознавания речи — Scribe v3 для заранее записанных аудиофайлов и Scribe v3 Live для работы в реальном времени. Обе модели доступны через интерфейс ElevenAPI и платформу ElevenAgents. По заявлению компании, Scribe v3 снижает количество ошибок примерно на 25% по сравнению с предыдущей версией для 102 языков, а точность распознавания немецкого языка значительно улучшена. Функция диаризации (определение, кто из участников говорит в данный момент) стала работать надёжнее в больших группах, и впервые она доступна в реальном времени в Scribe v3 Live.

Независимые бенчмарки от Artificial Analysis показывают, что Scribe v3 входит в число самых точных моделей транскрипции на рынке, превосходя конкурентов от Microsoft, Mistral, xAI, Google и OpenAI, но уступая превью-модели от Alibaba. Однако по скорости и стоимости модель занимает средние позиции: решения от Microsoft и xAI работают в несколько раз быстрее при незначительно более высоком уровне ошибок и стоят примерно вдвое дешевле. Бенчмарк учитывает только ошибки в словах на записанных файлах и не оценивает улучшения в диаризации, редких языках или поведении Scribe v3 Live в реальном времени.

Scribe v3 Live решает проблему, когда голосовые агенты обрывают звонящих во время пауз: модель анализирует контекст диалога вместе с аудиосигналом, чтобы определить, закончил ли говорящий. Разработчики могут загружать в модель тысячи специализированных терминов (например, названия брендов или лекарств), чтобы избежать ошибок, а также задавать правила форматирования чисел и дат. Мультиязычный режим позволяет переключать языки в середине предложения. Для корпоративных клиентов доступны изолированные серверы в ЕС и режим нулевого хранения данных.

Практический вывод: для задач, где критична высокая точность транскрипции в сложных акустических условиях (пересекающиеся голоса, шум) и важно не обрывать говорящего в реальном времени, Scribe v3 Live может быть предпочтительнее более быстрых и дешёвых конкурентов. Однако для массовой обработки больших объёмов аудио с низкой задержкой и меньшими затратами стоит присмотреться к моделям Microsoft или xAI.