elevenlabs正式推出两款全新语音转文本模型——scribe v3 和 scribe v3live，分别专为预录制音频转录与低延迟实时语音处理场景设计，核心聚焦于提升复杂声学环境下的识别鲁棒性，涵盖多人交叉对话、频繁打断以及高背景噪声等挑战性条件。目前，这两款模型已通过 elevenapi 及 elevenagents 平台面向全球开发者开放调用。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
据官方介绍，Scribe v3 支持多达 102 种语言，相比前代模型，整体词错误率（WER）下降约 25%，尤其在德语识别任务中实现显著精度跃升。其说话人分离能力在多角色长时群聊中稳定性更强；而 Scribe v3Live 则首次在实时流式语音中实现动态说话人分割功能。
根据 Artificial Analysis 发布的第三方基准评测结果，Scribe v3 当前位列行业最高精度语音转录模型梯队，综合表现优于微软、Mistral、xAI、Google 与 OpenAI 等主流厂商发布的同类产品，仅略逊于阿里巴巴尚未正式发布的某款预览版模型。
但需指出的是，该模型在推理速度与单位成本方面暂未形成明显优势：每千分钟音频的标准处理费用为 3.33 美元，相较之下，微软和 xAI 部分解决方案具备更高的吞吐效率与更具竞争力的定价策略。本次评测主要围绕离线录音转写的词错误率展开，尚未全面覆盖说话人分割准确性、小语种支持深度及实时流式响应性能等差异化优势维度。
面向 AI 语音客服应用，Scribe v3Live 特别优化了“发言结束检测”逻辑——融合上下文语义理解与原始音频特征分析，替代传统依赖固定静音时长阈值的判断方式，从而有效缓解因用户自然停顿或逐字慢读数字导致的误截断问题。开发者还可预先注入领域专有词汇、自定义数字与日期格式规则，并启用多语言混合识别模式以应对单句内语码切换场景。企业级客户亦可选择部署于欧盟本地独立服务器，并启用零数据留存策略。
与此同时，ElevenLabs 正加速构建企业级语音智能生态：一方面深化与英伟达的战略协作，将 Nemotron-3.5-Super-VL 模型集成进 ElevenAgents 平台，并推进机器人设备端本地语音控制能力建设；另一方面携手麦肯锡启动面向系统集成商的联合合作伙伴计划及语音代理市场孵化项目，Salesforce、IBM 与 Zendesk 等头部企业已在其产品线中集成相关能力。此次升级标志着 ElevenLabs 正由单一语音合成技术提供商，全面迈向高精度语音转录、低延迟实时交互及端到端企业语音代理基础设施服务商的新阶段。
