ElevenLabs випустила Scribe v3 і Scribe v3 Live, моделі розпізнавання мовлення, які за даними блогу компанії роблять на 27% менше словесних помилок, ніж Scribe v2, у 102 мовах.
Для голосових агентів важливіше інше: Scribe v3 Live визначає, що співрозмовник договорив, з урахуванням контексту розмови, а не лише за таймером тиші. Окремих цифр для цієї функції в доступних джерелах немає.
Що Scribe v3 Live змінює для голосових агентів?
Scribe v3 Live доповнює таймер тиші аналізом змісту розмови разом зі звуком. Тому абонент, який зупинився посеред номера телефону, не отримує відповіді агента завчасно. ElevenLabs пояснює проблему так: короткий поріг тиші перебиває тих, хто думає, а довгий робить агента повільним.
Версія Live уперше має діаризацію (визначення, хто говорить) у реальному часі. На англомовній частині власного датасету компанії з 16 мов помилка діаризації становить 3,1% проти від 5,9% до 7,3% в інших realtime-моделей. У 102 мовах помилки розпізнавання наживо зменшилися на 43% за семантичним WER (він рахує помилкою лише зміну сенсу) і на 31% за звичайним WER порівняно зі Scribe v2 Realtime.
Наскільки цим цифрам можна вірити?
Більшість цифр ElevenLabs отримала на власних датасетах, а незалежний бенчмарк охоплює лише словесні помилки. За даними The Decoder, Artificial Analysis ставить Scribe v3 попереду моделей Microsoft, Mistral, xAI, Google і OpenAI, позаду лише превʼю-моделі Alibaba. Водночас моделі Microsoft і xAI працюють у рази швидше, коштують приблизно вдвічі менше й мають трохи вищу частку помилок.
Цифри розходяться: The Decoder пише про зниження помилок приблизно на 25%, а блог ElevenLabs називає 27%. Першоджерело точніше.
Тест Artificial Analysis міряє лише словесні помилки на записаних файлах, тож діаризацію, рідкісні мови й поведінку Live він не охоплює. Крім того, ElevenLabs усереднює результати по кожній мові окремо. За її словами, єдиний пул кліпів, який використовують у багатьох публікаціях, дає нижчі показники помилок, тому напряму порівнювати ці цифри з чужими не можна.
Що це означає для України?
Ціни в джерелах немає, тому перерахунку в гривні не буде. Українську мову серед названих у джерелах не згадано, а офіційна доступність в Україні не вказана.
Що робити зараз
- Якщо ви вже на Scribe v2 в ElevenAPI, перехід на Scribe v3, за словами ElevenLabs, зводиться до зміни ідентифікатора моделі в одному рядку.
- Якщо у вас специфічна лексика, є keyterm prompting: до 1 000 термінів, як-от бренди, абревіатури чи назви ліків. Правила формату пишуться звичайною мовою, наприклад «write every date as YYYY-MM-DD».
- Для даних, які не можна зберігати, ElevenLabs пропонує корпоративним клієнтам ізольовані сервери в ЄС і режим zero-retention, який видаляє дані одразу після запиту.
- Якщо ви обробляєте великі обсяги записів і вам важливі швидкість та ціна, а не діаризація чи Live, за даними The Decoder, варто порівняти Scribe v3 із моделями Microsoft і xAI.
