Beszélgetési környezetből ismeri fel a megszakításokat az ElevenLabs új beszédmodellje
Az ElevenLabs két új beszédfelismerő modellt mutatott be: a rögzített hanganyagok átírására készült Scribe v3-at és az alacsony késleltetésű, valós idejű használatra szánt Scribe v3 Live-ot. A rendszereket olyan nehéz helyzetekre tervezték, amikor egy megbeszélésen vagy telefonhívásban többen beszélnek egyszerre, illetve háttérzaj zavarja a felismerést. Mindkét modell elérhető az ElevenAPI fejlesztői felületén és az ElevenAgents platformon.
A vállalat szerint a Scribe v3 az elődjéhez képest körülbelül 25 százalékkal csökkenti a szóhibák számát 102 nyelven, németül pedig különösen javult a pontossága. A beszélők elkülönítése nagyobb csoportos beszélgetésekben is megbízhatóbb lett, a Scribe v3 Live pedig ezt valós időben is képes kezelni. Az Artificial Analysis független mérése alapján a Scribe v3 a piac legpontosabb átírói közé tartozik: kis előnnyel megelőzte a Microsoft, a Mistral, az xAI, a Google és az OpenAI modelljeit, és csak az Alibaba egyik előzetes modellje végzett előtte.
A pontosságnak ugyanakkor ára van. Sebességben és költségben az ElevenLabs megoldása középmezőnyös, miközben a Microsoft és az xAI modelljei sokszor gyorsabbak, hibaarányuk csak kissé rosszabb, áruk pedig nagyjából feleannyi. A Scribe v3 Live a beszélgetés környezetét is elemzi, ezért elvileg kevésbé szakítja félbe a hívókat egy rövid gondolkodási szünet vagy számsor felolvasása miatt. A fejlesztők egyedi szakkifejezéseket, formázási szabályokat és nyelvváltást is beállíthatnak.
Folytasd az appban — szavazz és szólj hozzá ➔