ElevenLabs wprowadza modele mowy na tekst Scribe v3 i Scribe v3 Live

ElevenLabs wydało modele Scribe v3 oraz nowy wariant czasu rzeczywistego, Scribe v3 Live, 10 listopada 2026 roku, zgodnie z ogłoszeniem firmy. Nowe modele zamiany mowy na tekst znacząco ograniczają liczbę błędów transkrypcji i diaryzacji względem wcześniejszej linii Scribe v2 w 102 językach, a ceny za godzinę nagrania pozostają bez zmian.

Co się zmieniło

• Scribe v3, przeznaczony do nagrań wsadowych i zarejestrowanych, generuje 27% mniej błędów słów niż Scribe v2 w 102 językach w benchmarku FLEURS, a także 17% mniej błędów diaryzacji w nagraniach z wieloma mówcami.
• Scribe v3 Live, przeznaczony do audio w czasie rzeczywistym, generuje 43% mniej błędów niż Scribe v2 Realtime.
• Scribe v3 Live wprowadza pierwszą w ofercie ElevenLabs diaryzację mówców w czasie rzeczywistym, z 39% mniejszą liczbą błędów diaryzacji niż wskazane modele konkurencji.
• Scribe v3 Live dodaje wielojęzyczny tryb obsługujący przełączanie języka w połowie zdania i wykorzystuje pełny kontekst rozmowy do wykrywania zmiany mówcy.

Co to znaczy dla twórców korzystających z AI

Scribe jest szeroko wykorzystywany w agentach głosowych, narzędziach do dyktowania i asystentach kodowania, więc dokładniejsza transkrypcja i diaryzacja w czasie rzeczywistym przy tej samej cenie trafiają bezpośrednio do każdego produktu zbudowanego na tym API, bez konieczności zmiany sposobu rozliczania.

Dostępność i ceny

• Ceny pozostają bez zmian: Scribe v3 kosztuje 0,20 USD za godzinę nagrania, a Scribe v3 Live 0,22 USD za godzinę, tak jak Scribe v2 i v2 Realtime. Podkreślanie kluczowych terminów to dodatek za 0,05 USD za godzinę, a edycja transkrypcji za 0,07 USD za godzinę.
• Oba modele są teraz domyślnymi modelami zamiany mowy na tekst w aplikacji ElevenLabs; Scribe v3 Live jest też dostępny przez ElevenAgents i ElevenAPI.
• Regiony wdrożenia obejmują USA, UE, Indie i Singapur, a tryb Zero Retention Mode usuwa audio i tekst natychmiast po zakończeniu żądania.

Źródła

• Introducing Scribe v3 and v3 Live, our most accurate speech to text models (ElevenLabs, 10 listopada 2026, oficjalne)

Tekst przygotowany z pomocą AI wyłącznie na podstawie źródeł wymienionych powyżej. Zanim trafił na stronę, przeszedł automatyczną kontrolę dat, źródeł i wszystkich wersji językowych.