近日，在允许作家创建并发布自有有声书的基础上，ElevenLabs正式推出首款独立语音转文本模型Scribe。
性能对标主流竞品
Scribe 旨在与 Gladia、Speechmatics、AssemblyAI、Deepgram 及 OpenAI Whisper 等模型展开竞争。据官方数据，Scribe 在 FLEURS 和 Common Voice 基准测试中，多语言表现已超越 Google Gemini 2.0 Flash 和 Whisper Large V3。
支持超99种语言，核心语种准确率领先
该模型目前支持超过 99 种语言，整体词错误率（WER）低于 5%。其中，英语、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、西班牙语及越南语等 25 种以上语言被归类为“完美准确率”类别，英语准确率达 97%。
核心功能与应用场景
Scribe 具备智能说话人识别、字级时间戳（用于精确字幕）及自动标记观众笑声等声音事件功能。客户可直接将视频内容转录为文本，便于后续添加字幕或图片说明。
当前限制与定价策略
需注意，Scribe 目前仅支持预录音频格式，低延迟实时版本即将上线，暂不适用于会议速记或语音笔记记录。其转录费用为 0.40 美元/小时，尽管产品竞争力强，但相较于部分竞品，定价仍偏高。
未来展望
ElevenLabs CEO Mati Staniszewski 此前表示，公司将持续深耕语音识别领域，通过内部团队标注数据并提供快速反馈来优化模型质量。业界对 ElevenLabs 后续新模型的发布保持高度关注与期待。