ElevenLabs这家刚刚完成一轮1.8亿美元巨额融资的AI初创公司，此前主要以其音频生成能力而闻名，如今通过推出首款独立运行的语音转文本模型Scribe，迈向了另一项技术方向。
这家估值33亿美元的初创公司，已帮助许多企业通过其庞大的语音库提供文本转语音服务。然而，该公司现在正试图进入语音检测领域，与Gladia、Speechmatics、AssemblyAI、Deepgram以及OpenAI的Whisper模型等竞争对手展开较量。
多语言支持与准确率分级
ElevenLabs的Scribe模型发布时支持超过99种语言。其中25多种语言被归类为“极高准确率”类别（词错误率低于5%），包括英语（声称准确率为97%）、法语、德语、印地语、印尼语、日语、卡纳达语、马拉雅拉姆语、波兰语、葡萄牙语、西班牙语和越南语。其他语言则根据词错误率划分为高（5%-10%）、良好（10%-20%）和中等（25%-50%）等不同水平。
该公司表示，该模型在FLEURS和Common Voice基准测试中，多语言环境下的表现优于Google Gemini 2.0 Flash和Whisper Large V3。
从对话代理到独立模型的战略转型
ElevenLabs去年虽为其AI对话代理平台开发了语音转文本组件，但Scribe是该公司首次发布的独立语音检测模型。在上个月接受TechCrunch采访时，首席执行官Mati Staniszewski谈到了改进语音检测模型的愿景：“我们希望更好地理解对话内容，摆脱仅生成内容、理解和转录语音的模式。”
尽管许多人认为语音转文本已是成熟技术，但对于许多语言而言现状仍不理想。Staniszewski表示，凭借内部团队标注数据并提供快速反馈的能力，他们有信心构建更优的语音检测模型。
核心功能与应用场景
Scribe具备智能说话人分离功能，可识别发言者；提供单词级精确时间戳以辅助字幕制作；并能自动标记观众笑声等声音事件。此外，该初创公司还在工作室中为客户提供直接转录视频内容以添加字幕或标题的功能。
目前，Scribe仅支持预录制音频格式，暂不适用于会议转录或语音笔记记录。该公司表示，很快将推出低延迟实时版本。
定价策略与市场竞争
ElevenLabs将Scribe的价格定为每小时转录音频0.40美元。虽然这一费率具有竞争力，但目前部分竞争对手提供的音频转录价格更低，且在功能上有所区分。