ElevenLabs发布两款新一代语音转文本模型Scribe v3和Scribe v3Live，分别面向预录制音频转写和低延迟实时语音应用，重点提升复杂语音环境下的识别能力，包括多人交谈、相互打断及背景噪声等场景。两款模型现已通过ElevenAPI和ElevenAgents平台向开发者开放。
ElevenLabs表示，Scribe v3支持102种语言，相较上一代模型，单词错误率降低约25%，德语识别准确率也得到显著提升。同时，其说话人分割功能在大型群组对话中更加可靠，Scribe v3Live则首次支持实时说话人分割。
Artificial Analysis的独立基准测试显示，Scribe v3属于当前准确率最高的语音转录模型之一，表现超过微软、Mistral、xAI、Google和OpenAI等厂商的产品，仅次于阿里巴巴的一款预览版模型。
不过，该模型在处理速度和价格方面并不占优，每1000分钟基准价格为3.33美元，微软和xAI的部分产品则具备更快的处理速度和更低的成本。测试主要衡量录音转写的单词错误率，尚未覆盖说话人分割、小语种及实时性能等优势。
针对AI语音客服场景，Scribe v3Live还优化了发言结束判断机制，通过结合对话上下文和音频信号，减少传统固定暂停计时器造成的误判，避免用户短暂停顿或缓慢报读数字时被系统打断。开发者还可以预加载专业术语、设置数字和日期格式规则，并通过多语言模式处理句内语言切换。企业客户可使用欧盟独立服务器及零数据保留模式。
此外，ElevenLabs正扩大企业生态布局，包括深化与英伟达合作，将Nemotron3.5Super VL集成至ElevenAgents，并开发机器人本地语音控制能力;同时与麦肯锡建立合作，推出面向系统集成商的合作伙伴计划及语音代理市场，Salesforce、IBM和Zendesk等企业已提供相关产品。此次更新显示，ElevenLabs正从语音生成进一步拓展至高准确率转录、实时交互和企业级语音代理基础设施。