ElevenLabs 11 月 10 日（新加坡时间 11 日凌晨 02:10）发布两款语音转文字模型：面向录音文件的 Scribe v3 和面向实时流的 Scribe v3 Live。官方口径：Scribe v3 在 FLEURS 102 种语言上词错误率（WER）比 Scribe v2 低 27%，且每种语言都有提升；Scribe v3 Live 的语义 WER 比 Scribe v2 Realtime 低 43%，并首次在实时转写中提供说话人分离和基于上下文的断句检测。两款模型已上线 ElevenAPI，从 v2 切换只需改 model ID；API 定价页列出每音频小时 0.20 美元（v3）和 0.22 美元（v3 Live）。第三方评测方 Voice Arena 用 70+ 小时真实电话录音测试，称 v3 Live 在罗马尼亚语和印度英语里排第一。
核心要点速览
- ✓准确率（官方口径）：Scribe v3 在 102 种语言上 WER 比 v2 低 27%，德语 -42%、西班牙语 -35%、英语 -23%、泰语 -28%
- ✓实时版：Scribe v3 Live 语义 WER 比 v2 Realtime 低 43%、WER 低 31%，希腊语提升 77%，官方称延迟约 150ms
- ✓说话人分离：v3 比 v2 少 12% 错误，3 人以上录音少 17%；v3 Live 比次优实时模型少 39%，英语分离错误率 3.1%
- ✓价格：API 每音频小时 $0.20（v3）/ $0.22（v3 Live），关键词提示另加 $0.05/小时，转写编辑另加 $0.07/小时
- ✓上手：model ID 为
scribe_v3/scribe_v3_live，关键词提示最多 1000 个术语；企业版提供欧盟、印度、新加坡数据驻留
开发者 3 秒速决决策指标
把技术选型换算成你的开发预算
40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟
相关资源与官方项目出处
免代理直达深度技术解析与实战评估
核心背景与行业痛点
会议纪要、客服质检、语音 Agent 和医疗文书都以转写稿为起点，一个错词会一路传到下游。真实音频里有背景噪音、多人抢话、说到一半停顿，还有中英夹杂，这正是多数语音转文字模型出错最多的场景。ElevenLabs 称 Scribe 已累计处理数亿小时转写，这次 v3 主要针对这些痛点。
架构亮点与底层机制
官方未公布模型结构和参数量。功能上有三点变化：一是 v3 Live 首次在实时流里做说话人分离；二是断句检测结合对话上下文而不只看静音，和 ElevenAgents 用的是同一套；三是可控性更强，v3 支持语言提示、数字写成阿拉伯数字或英文单词、最多 1000 个关键词提示，以及用自然语言写格式规则；v3 Live 新增句中切换语言的多语言模式和可容纳上千术语的关键词库。
权威 Benchmark 与实测跑分对比
以下均为厂商口径：FLEURS 102 种语言上，v3 的 WER 比 v2 低 27%，v3 Live 的语义 WER 比 v2 Realtime 低 43%，官方称两者都低于其测试过的所有同类模型（未列出具体对手分数）。说话人分离用自建的 16 语言真实会议数据集评估。第三方 Voice Arena 用 70+ 小时自然电话录音测试 v3 Live，称其在罗马尼亚语和印度英语排第一。注意官方按语言分别打分再平均，和混合打分的榜单不能直接比较。
开发者实战落地与开箱指南
在 ElevenAPI 里把 model ID 换成 scribe_v3 或 scribe_v3_live 即可；批量接口新增 numbers_format 和 secondary_language_codes 参数，仅 v3 支持。成本按每音频小时 0.20 / 0.22 美元算，1000 小时录音约 200 美元。新加坡团队可申请本地数据驻留，并开启零保留模式。建议先用自己的真实通话样本对比 v2 再迁移。
即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察