原文標題:Introducing Scribe v3 and v3 Live, our most accurate speech to text models
ElevenLabs於11月10日推出Scribe v3與Scribe v3 Live,分別面向錄製音訊與低延遲即時轉錄。官方表示,在102種語言的內部FLEURS測試中,v3相較v2的字詞錯誤率降低27%;Live相較v2 Realtime的語意錯誤率降低43%,一般字詞錯誤率降低31%。這些指標的計分方法不同,不能把43%直接寫成所有即時轉錄錯字都減少同樣比例,也不能直接和其他方法發布的分數比較。
v3改善多人交談的說話者標記,能提供最多一千個關鍵詞提示,並控制數字及格式輸出。Live首次加入即時說話者區分,結合對話內容與音訊判斷發言是否結束,減少只依靜音長度造成的打斷,也支援句中切換語言及更大的詞彙庫。Live已進入ElevenAgents,兩款模型也透過ElevenAPI及應用程式提供。企業可選歐盟、印度與新加坡隔離環境或私人部署,並有請求結束後刪除音訊與文字的模式;各方案資格仍須確認。官方預計開放部分真實情境資料集,不能把目前自有測試當作外部獨立驗證。
發生了什麼事
Scribe v3與Live同步推出,分別改善錄音和即時轉錄,新增多語、格式與說話者控制,並透過ElevenAgents及API提供使用。
為什麼重要
轉錄錯誤會影響摘要與語音智慧體後續動作。這次更新同時處理文字、說話者與對話輪替,但不同誤差指標必須分開理解。
影響哪些人
會議紀錄、客服中心、配音及語音智慧體開發團隊會直接受影響;有資料落地需求的企業也可評估隔離環境和保留政策。
已確認與未確認
已確認模型與供應管道;數據來自官方測試,Live語意錯誤率與一般錯字率不是同一指標,外部使用效果仍須另行驗證。