ElevenLabs 发布两款语音转文本模型:面向录音转写的 Scribe v3 与低延迟实时的 Scribe v3Live,已经通过 ElevenAPI 与 ElevenAgents 向开发者开放。v3 支持 102 种语言,官方称单词错误率较上一代降低约 25%,德语等形态变化丰富的语言提升明显;群组说话人分割更稳,10 人以上的会议也能可靠区分声源,v3Live 则首次把说话人分割做到实时流式场景。
独立基准机构 Artificial Analysis 的测试把 Scribe v3 排进准确率第一梯队,超过微软、Mistral、xAI、谷歌与 OpenAI 的同类产品,仅次于阿里一款预览版模型——但速度和价格是明显短板:基准价 3.33 美元/1000 分钟,微软与 xAI 的部分产品更快也更便宜。真正的差异化在 v3Live:它用对话上下文加音频信号判断「话说完了没」,减少客服场景里用户停顿思考或慢速报数字被误打断的问题;开发者可预加载行业术语、自定义数字日期格式,企业客户可选 EU 独立服务器与零数据留存模式。