Scribe v3 от ElevenLabs: на 27% меньше ошибок, чем у Scribe v2

10 ноября 2026 года ElevenLabs выпустила Scribe v3 и Scribe v3 Live, две модели распознавания речи (speech to text, STT). Первая работает с записанным аудио, вторая с аудио в реальном времени. По замерам ElevenLabs на 102 языках теста FLEURS, Scribe v3 делает на 27% меньше ошибок слов, чем Scribe v2. Scribe v3 Live сокращает на 43% семантические ошибки, то есть ошибки, меняющие смысл, по сравнению с Scribe v2 Realtime. Обе модели поддерживают больше 90 языков, по документации ElevenLabs.

Анонс адресован командам, чей продукт начинается с транскрипта: заметки встреч, голосовые агенты, дубляж, медицинская документация, архивы эфиров. Позиция ElevenLabs в том, что ошибка транскрипта обходится тем дороже, чем ниже по цепочке она попадает.

Что умеет Scribe v3

Scribe v3 работает с записанным аудио. По тестам компании, у модели самые точные метки говорящих среди всех протестированных моделей. На записях с тремя и более спикерами ошибок diarization на 17% меньше, чем у Scribe v2, в среднем по всем записям на 12% меньше. Многоспикерные записи, по словам ElevenLabs, это те, на которых ошибается большинство существующих моделей.

Контроль над выводом расширился. Модель возвращает числа цифрами или словами по выбору. Keyterm prompting принимает до 1 000 терминов, которые ожидаются в аудио: бренды, аббревиатуры, термины предметной области. Правки транскрипта задаются правилами форматирования на обычном английском, например "write every date as YYYY-MM-DD".

Что умеет Scribe v3 Live

Scribe v3 Live это версия с низкой задержкой для реального времени. По замерам компании на 102 языках, модель снижает семантические ошибки на 43% против Scribe v2 Realtime. Стандартный WER ниже на 31%, улучшения есть в каждом протестированном языке.

В Scribe v3 Live впервые появилось различение говорящих (diarization) в реальном времени. На английской части 16-языкового датасета ElevenLabs уровень ошибок diarization 3.1%. У других протестированных моделей реального времени он от 5.9% до 7.3%. Перед замером транскрипт каждой модели выравнивали с эталоном, это снижает ошибку у всех моделей. Поэтому эти цифры не сравниваются с замерами на записанном аудио.

Определение конца реплики (turn detection) опирается на контекст разговора в дополнение к аудио. Старый подход работал на таймере тишины. Короткий порог может оборвать собеседника, который замолчал посреди фразы, длинный делает агента медленным. Scribe v3 Live не обрывает звонящего, который сделал паузу посреди числа. ElevenLabs указывает, что это тот же turn detection, который уже работает в их платформе голосовых агентов ElevenAgents. Теперь он доступен и в ElevenAPI.

Для разговоров, где язык меняется посреди предложения, в Live есть мультиязычный режим. Keyterm prompting покрывает термины, которые точно прозвучат. Keyterm library держит тысячи терминов, которые могут прозвучать, и модель обращается к ней только при вероятном совпадении.

Как ElevenLabs проверяла Scribe v3

Мультиязычная точность измерялась на внутренней версии бенчмарка FLEURS: короткие чистые зачитанные записи на 102 языках. FLEURS не измеряет diarization, в каждой записи один спикер. Поэтому ElevenLabs собрала собственный датасет из реальных встреч, звонков с агентами и голосовых заметок на 16 языках. Компания обещает скоро выложить его в открытый доступ.

Каждый язык оценивался отдельно, а результаты усреднялись, все 102 языка весят одинаково. ElevenLabs отмечает, что многие опубликованные результаты складывают все записи в одну оценку, и числа выходят ниже. Результаты, измеренные по-разному, напрямую не сравниваются.

На FLEURS Scribe v3 снизил ошибку слов на 27% против v2. В языках, где распознавание и так точнее, приросты такие: немецкий 42%, испанский 35%, английский 23%. В языках, трудных для распознавания: суахили 34%, тамильский 29%, тайский 28%. У Live самые большие улучшения там, где распознавание в реальном времени отставало: греческий 77%, датский 54%, хорватский 45%, хинди 36%.

Для моделей реального времени ElevenLabs главной метрикой называет семантический WER. Потоковая модель пишет текст, не дослушав фразу, и каждый провайдер по ходу по-своему оформляет числа, пунктуацию и регистр. Стандартный WER считает эти различия ошибками, даже если смысл сохранён.

Что эти проценты стоят в реальной работе

Расчёт приведён самой ElevenLabs. Часовой созвон при 150 словах в минуту это около 9 000 слов. Разница между ошибкой в 4% и 2% это 180 неверных слов, три на каждую минуту разговора. В том же созвоне каждый пункт ошибки diarization это 36 секунд речи под чужим именем.

Цена ошибки зависит от того, куда она попадает. В транскрипте подкаста неверное слово это опечатка. На звонке с инвесторами по итогам квартала "пятнадцать", услышанное как "пятьдесят", попадает в расчёты аналитика. Ошибки скапливаются в именах, числах, аббревиатурах и терминологии. Именно эти слова summary и агенту важнее всего не сломать.

Энергетическая компания Eneco из Нидерландов обслуживает более 2 млн домов и предприятий. Она тестировала Scribe v3 Live на своём голосовом агенте в ElevenAgents до выхода модели. На реальных клиентских звонках агент узнавал нидерландские почтовые индексы с первого раза на 40% чаще, номера домов на 15% чаще.

Где доступна Scribe v3 и как её включить

Scribe v3 Live доступна в ElevenAgents, обе модели стоят по умолчанию в приложении ElevenLabs. В ElevenAPI доступны обе модели, переход это одна строка: model ID меняется на scribe_v3 или scribe_v3_live.

Пример из анонса, подключение к транскрипции в реальном времени на JavaScript SDK:

import { ElevenLabsClient } from "@elevenlabs/elevenlabs-js";

const elevenlabs = new ElevenLabsClient();
const connection = await elevenlabs.speechToText.realtime.connect({
  modelId: "scribe_v3_live",
  commitStrategy: "turn_prediction",
});

По умолчанию модели работают в США. Для enterprise с требованиями data residency есть изолированные окружения в ЕС, Индии и Сингапуре. Zero Retention Mode удаляет аудио и текст сразу после завершения запроса. По данным ElevenLabs, обе модели покрыты программами SOC 2, ISO 27001 и PCI DSS Level 1. Они доступны для HIPAA при подписанном Business Associate Agreement и для приватного развёртывания. Для медицинских команд ElevenLabs выпускает версию Scribe v3 Live под медицинские разговоры в ElevenAgents.

По странице цен ElevenLabs, Scribe v3 стоит $0.20 за час аудио, Scribe v3 Live $0.22 за час, как Scribe v2 и Scribe v2 Realtime. Keyterm prompting, keyterm library и правки транскрипта оплачиваются отдельно.

Порядок проверки нейросетей на своих задачах разобран в статье про пошаговую проверку. На платформе AISferaic для работы в чате доступно больше 20 моделей. Разборы новых инструментов такого класса выходят на канале YouTube.