ElevenLabs,作为人工智能语音克隆与生成领域的先锋,近日发布了其最新的语音转文本模型——Scribe v1。这一创新模型在多种语言中均展现了卓越的准确性,用户可通过其官方网站进行体验。

根据ElevenLabs的基准测试,Scribe在将口语转换为文本的准确性上,超越了谷歌的Gemini2.0Flash、OpenAI的Whisper v3以及Deepgram Nova-3,实现了前所未有的低错误率。该模型支持99种语言的高精度转录,包括一些以往被忽视的语言,如塞尔维亚语、粤语和马拉雅拉姆语。
ElevenLabs的首席研究员Flavio Schneider在社交平台X上表示,Scribe是公司迄今发布的“最聪明的音频理解模型”。他进一步解释,Scribe不仅是一个转录工具,它还能理解音频内容,检测非语言事件(如笑声、音效、音乐和背景噪音),并在复杂环境下分析长时间的音频内容进行准确的说话者区分。特别值得一提的是,Scribe能够在同一个音频文件中识别并隔离多达32位不同的说话者。

ElevenLabs提醒用户,Scribe“最适合需要高精度转录的场合,而非实时转录”。该公司还计划推出低延迟版本,以扩大其在实时应用中的使用。
根据FLEURS和Common Voice的基准结果,Scribe在处理现实世界音频挑战方面表现出色,尤其在意大利语(准确率98.7%)和英语(准确率96.7%)的单词错误率方面达到了最低。
Scribe现已通过ElevenLabs官网和API提供使用,定价为每小时输入音频0.40美元,未来六周还将享受50%的折扣。此外,针对实时应用的低延迟版本也在开发中。
对于企业决策者而言,Scribe为高精度转录提供了一种可扩展的工具,适用于需要自动化文档、会议转录和内容可及性的行业。该模型对多种语言的高精度处理也将惠及跨国公司、媒体公司和客户支持应用。
值得注意的是,Scribe的发布与竞争对手Hume的文本转语音模型Octave的发布同日进行。Octave是一种基于大型语言模型的文本转语音工具,用户可以根据情感需求自定义AI生成的声音,旨在用于内容创作,如有声书、播客和视频游戏配音。尽管Scribe和Octave的功能不同,但二者的发布反映了AI驱动音频模型日益激烈的竞争。
产品入口:https://elevenlabs.io/blog/meet-scribe
划重点:
Scribe v1是ElevenLabs最新推出的语音转文本模型,准确率在多语言中创下新高。
支持99种语言,能够区分多达32位不同的说话者,适应复杂音频环境。
当前定价为每小时0.40美元,未来六周享受50%折扣,低延迟版本正在开发中。