ElevenLabs lança modelos Scribe v3 para transcrição de áudio

A ElevenLabs lançou os modelos Scribe v3 e Scribe v3 Live, de transcrição de fala, que, segundo a empresa, erram menos que os antecessores em 102 idiomas; o processamento padrão é nos Estados Unidos.

12/11 às 13:18

Pontos principais

O Scribe v3, para áudio gravado, tem 27% menos erros de palavra que o Scribe v2 em 102 idiomas, em teste interno da ElevenLabs no FLEURS, benchmark de fala lida em ambiente limpo.
O Scribe v3 Live, para tempo real, tem 43% menos erros semânticos e 31% menos erros de palavra que o Scribe v2 Realtime, no mesmo teste de 102 idiomas.
O Scribe v3 erra 17% menos na diarização (identificação de quem fala) que o Scribe v2 em gravações com três ou mais falantes, e 12% menos no conjunto geral.
O Scribe v3 Live traz diarização em tempo real pela primeira vez: a empresa registra 3,1% de erro no subconjunto em inglês de seu dataset próprio, contra 5,9% a 7,3% de outros modelos de tempo real testados.
A detecção de fim de fala considera o contexto da conversa, além do silêncio, para que quem faz uma pausa no meio de uma frase não seja cortado pelo agente de voz.
Os modelos aceitam até 1.000 termos-chave, têm uma biblioteca de termos para vocabulários muito grandes e aplicam regras de formatação em linguagem simples, como escrever toda data no formato AAAA-MM-DD.
O Scribe v3 Live já está no ElevenAgents; os dois modelos estão na ElevenAPI, e migrar do Scribe v2 é trocar o ID do modelo.
Na Eneco, fornecedora de energia holandesa, o agente de voz reconheceu na primeira tentativa 40% mais códigos postais holandeses e 15% mais números de casa, em chamadas reais.

A ElevenLabs anunciou em 10 de novembro de 2026 o Scribe v3, para áudio gravado, e o Scribe v3 Live, para tempo real. Segundo a empresa, os modelos foram feitos para áudios com várias pessoas falando ao mesmo tempo, pausas no meio das frases e conversas que trocam de idioma.

Os modelos rodam nos Estados Unidos por padrão, com ambientes isolados na União Europeia, na Índia e em Singapura para clientes com exigência de residência de dados. O Zero Retention Mode apaga áudio e texto assim que a requisição termina, e os dois modelos estão cobertos pelos programas SOC 2, ISO 27001 e PCI DSS nível 1.

Uma versão do Scribe v3 Live otimizada para conversas médicas será lançada no ElevenAgents, sem data divulgada. A empresa diz que vai abrir em breve o dataset próprio usado nas medições. O anúncio não traz preço nem números de latência, embora descreva o Live como de baixa latência.

Fonte primária

ElevenLabs (blog oficial)

Introducing Scribe v3 and v3 Live, our most accurate speech to text models

A ElevenLabs lança dois modelos de speech to text: Scribe v3, para áudio gravado, e Scribe v3 Live, para áudio em tempo real. O Scribe v3 comete 27% menos erros de palavra que o Scribe v2 em 102 idiomas (benchmark FLEURS, versão interna da empresa), com melhora em todos os idiomas testados; os ganhos são de 42% em alemão, 35% em espanhol e 23% em inglês. Na diarização (quem falou o quê), a empresa diz ter 12% menos erros que o v2 no geral e 17% menos em gravações com três ou mais falantes. O Scribe v3 Live tem 43% menos erros semânticos e 31% menos erros de palavra que o Scribe v2 Realtime em 102 idiomas, e é a primeira vez que o modelo em tempo real traz diarização: 3,1% de erro no subconjunto em inglês do dataset próprio da empresa, contra 5,9% a 7,3% dos outros modelos em tempo real testados. Novidades de controle: keyterm prompting de até mil termos, biblioteca de termos para vocabulários muito grandes, modo multilíngue para conversas que trocam de idioma no meio da frase e turn detection que considera o contexto da conversa. O cliente Eneco, em chamadas reais com o agente de voz, relatou 40% mais acertos na primeira tentativa para códigos postais holandeses e 15% mais para números de casa. Ambos os modelos estão na ElevenAPI (IDs scribe_v3 e scribe_v3_live); o v3 Live já está no ElevenAgents e uma versão voltada a conversas médicas será lançada lá. Rodam nos EUA por padrão, com ambientes isolados na UE, Índia e Singapura, e têm Zero Retention Mode. O anúncio não traz preço.

Cobertura da mídia