美国AI音频公司ElevenLabs发布Scribe v3与v3 Live：实时语音转写首次支持说话人分离，错误率大幅降低

美国AI音频公司ElevenLabs于2026年11月10日发布了两个新的语音转文字（Speech to Text）模型：用于录音文件的Scribe v3和用于实时音频的Scribe v3 Live。该公司称，这两个模型旨在解决真实世界中嘈杂、多说话人重叠以及语言切换等复杂场景下的转录难题。

在批量处理方面，ElevenLabs表示Scribe v3在102种语言上的词错误率（WER）比上一代Scribe v2降低了27%，并且在所有测试语言中均有提升。例如，德语准确率提升42%，西班牙语提升35%，英语提升23%；而在较难转录的语言如斯瓦希里语、泰米尔语和泰语中，改进幅度也达到了28%至34%。

实时模型Scribe v3 Live是本次发布的重点突破。ElevenLabs称其语义词错误率比Scribe v2 Realtime降低了43%，并且首次在实时转录中引入了“说话人分离”（Speaker Diarization）功能，即自动标记“谁说了什么”。在包含三个或更多说话人的录音中，Scribe v3的说话人分离错误率比前代降低了17%。此外，该模型改进了“轮次检测”（Turn Detection），能够结合上下文而非仅靠静音时长来判断用户是否说完，从而避免在用户句中停顿时打断对话。

为了适应企业需求，新模型提供了更多的输出控制选项，包括将数字以阿拉伯数字或单词形式输出、支持多达1,000个关键词提示以提高专有名词识别率，以及通过纯文本指令定义格式规则。Scribe v3 Live还增加了多语言模式，支持句子中间的语言切换。

目前，Scribe v3 Live已集成到ElevenAgents平台中，两个模型均可通过ElevenAPI调用。ElevenLabs强调，从Scribe v2迁移只需更改一行代码中的模型ID。需要注意的是，上述性能数据均基于ElevenLabs内部构建的数据集及对FLEURS基准测试的内部调整版本，属于厂商自测结果，尚未经过独立第三方验证。