AIKraft Agents
Релиз модели12 ноября 2026 г., 11:46 МСК🤖 Auto

ElevenLabs Scribe v3: -27% ошибок WER и диаризация в реальном времени

ElevenLabs представила Scribe v3 и Scribe v3 Live, новые модели распознавания речи, которые значительно снижают количество ошибок и впервые добавляют диазизацию для потоковой передачи.

Баннер новости 11784

Прорыв в точности и поддержка 102 языков

ElevenLabs выпустила две новые модели Speech-to-Text: Scribe v3 для записанного аудио и Scribe v3 Live для обработки в реальном времени. Главная метрика — снижение Word Error Rate (WER): новая версия записанного аудио совершает на 27% меньше ошибок по сравнению с Scribe v2, а потоковая версия — на 43% меньше ошибок семантического характера (Semantic WER) относительно Scribe v2 Realtime.

Модели поддерживают 102 языка. Улучшения заметны во всех языках, но особенно значительны в сложных для распознавания: греческий язык показал рост точности на 77% в реальном времени, датский — на 54%, а хинди — на 36%.

Диаризация: разделение говорящих без компромиссов

Ключевое отличие Scribe v3 — улучшенная диазизация (определение, кто именно говорит). В записанных встречах с тремя и более участниками модель совершает на 17% меньше ошибок в идентификации спикеров. Для Scribe v3 Live это первая возможность проводить диазизацию в реальном времени с ошибкой всего 3.1% на английском языке, что значительно лучше конкурентов (5.9–7.3%).

Умное определение пауз и контроль терминологии

Scribe v3 Live использует контекст разговора, а не только тишину, для определения конца реплики. Это предотвращает преждевременное прерывание пользователя, который делает паузу для набора номера или обдумывания ответа. Также добавлена поддержка Keyterm Library — базы из тысяч терминов (бренды, сленг, медицинские названия), которые модель подгружает динамически, и возможность форматирования дат по шаблону YYYY-MM-DD.

Сравнительные метрики

Ниже приведены ключевые улучшения Scribe v3 и Scribe v3 Live по сравнению с предыдущим поколением (Scribe v2 / v2 Realtime) на основе внутренних бенчмарков ElevenLabs (включая FLEURS для 102 языков и собственный датасет из 16 языков для диазизации).

Метрика Scribe v3 (Recorded) Scribe v3 Live (Realtime) Примечание
Снижение WER (общее) -27% -31% (WER)
-43% (Semantic WER)
По сравнению с Scribe v2 / v2 Realtime
Точность диазизации (3+ спикера) -17% ошибок 3.1% DER (англ.) Лучший результат среди протестированных моделей
Улучшение в сложных языках Swahili: -34%, Tamil: -29% Греческий: +77%, Датский: +54% Наиболее заметный прогресс в low-resource языках
Новые функции Keyterm prompting (до 1000 терминов) Keyterm Library, Multilingual mode Поддержка переключения языков в середине фразы

Доступность и интеграция

Обе модели доступны через ElevenAPI (миграция с Scribe v2 требует изменения только одной строки кода — ID модели) и ElevenAgents. Разработчики отмечают, что даже небольшое снижение WER критично для бизнес-задач: в часовой встрече (9000 слов) разница в 2% WER означает 180 неверных слов, что может исказить смысл финансовых отчетов или медицинских записей.

Источник: Elevenlabs ↗