语音模型

一小时会议听错 180 个词的代价：ElevenLabs 把转写错误砍掉 27%，实时版第一次知道「这话是谁说的」

2026年11月11日1 次阅读
一小时会议听错 180 个词的代价：ElevenLabs 把转写错误砍掉 27%，实时版第一次知道「这话是谁说的」

音频模型动态 · 2026-11-10 · 分类：语音模型

语音转写102 种语言实时说话人标签$0.20/小时

3分钟看懂：这次发的是什么

一句话：ElevenLabs 在 11 月 10 日发了两个语音转写模型——录音用的 Scribe v3，和实时用的 Scribe v3 Live。

录音版在 102 种语言上，词错误率从 16.94% 降到 12.38%，等于少错 27%，而且每一种语言都变好了。实时版按「语义错误」算降了 43%，按普通词错误率算降了 31%。价格上，录音版每小时 0.20 美元，实时版每小时 0.22 美元，和上一代持平。

真正的变化不是那几个百分点，而是两个具体能力：

  • 实时转写第一次能标出「这句话是谁说的」。以前的实时模型只吐文本，谁说的要事后自己猜；现在流式输出里就带说话人标签。
  • 断句不再靠静音计时。你念一串电话号码，中间停顿一下，它不会以为你说完了就抢话；你说「等等，我改一下」，它会停下来让你改。

本文基于官方发布内容，并结合多家媒体转述整理。

为什么这件事对普通人有意义

大多数人不用语音识别模型，但每个人都在被它影响：会议纪要、客服电话录音、视频字幕、门诊记录、播客转文字，底层都是这类模型。

官方给的算法很直白：一小时的会议，每分钟 150 个词，大约 9000 个词。错误率从 4% 降到 2%，差的不是「2 个百分点」，而是 180 个错词，平均每分钟错 3 个。

而这 180 个错词不是均匀撒在文章里的。它们扎堆在人名、数字、缩写、行话上——恰好是摘要、检索和 AI 助手最需要读对的那几个词。财报电话会上「fifteen」被听成「fifty」，那一刻错的是一个数量级，不是一个字。

这也是这次发布最值得看的地方：它没有去刷一个漂亮的总体分数，而是把力气花在「错误落在哪里」和「谁在说」这两件事上。

录音版到底好了多少

先看总账。官方在 FLEURS 基准的 102 种语言上测，词错误率 16.94% → 12.38%。

分语言看更能说明取向：

  • 容易转写的语言：德语降 42%，西班牙语降 35%，英语降 23%
  • 难转写的语言：斯瓦希里语降 34%，泰米尔语降 29%，泰语降 28%
  • 印地语单独提了一句：官方说目标是「让印地语追平英语」，包括一句话里中英混说的场景

容易的语言降得更多，说明它不是在补短板，而是整体抬了一档。

说话人分离（谁在说话）也有数字：整体错误比上一代少 12%，三人以上同时说话的录音少 17%——官方特意点出，三人以上正是大多数模型崩掉的地方。

实时版最实际的一改：它开始「听语气」断句

实时转写过去有个绕不过去的取舍：静音阈值设短了，人一停顿就被打断；设长了，AI 反应就慢半拍。

Scribe v3 Live 换了判定依据：不只看有没有声音，还看这句话在对话里说完了没有。官方举的例子是念电话号码——「415……555……0132」，中间停顿是在回忆，不是在等你接话。

这个能力其实不是新做的，它本来就是 ElevenAgents（他们的语音客服平台）里的断句逻辑，这次下放到了 API。

实时版的说话人标签也有具体数字：在英文真实场景数据上，说话人错误率 3.1%，对比其他实时模型的 5.9% 到 7.3%。注意这里的口径经过了「先对齐再打分」的修正，官方自己也说不能和上面录音版的分数字直接比。

还有一个真实客户案例：荷兰能源公司 Eneco 用这套东西跑客服语音助手，上线前实测，荷兰邮政编码一次听对的比例高了 40%，门牌号高了 15%。这类数字比 WER 更接近「这东西到底有没有用」。

三个新旋钮，和一堆老能力

新加的：

  • numbers_format：数字输出成 42 还是 forty-two，你自己定
  • secondary_language_codes：告诉它这段音频里还可能出现哪几种语言，中英混说时更准
  • multilang_mode（实时版）：一句话中途换语言，每种语言按自己的书写系统转写
  • 术语提示（keyterm prompting）：录音版最多 1000 个词，实时版 50 个；实时版另有「术语库」，模型只在听到疑似匹配时才去查

继承下来的：90 多种语言、说话人分离最多 32 人、词级/字符级时间戳、音频事件标注（笑声、掌声这类）、实体识别、用自然语言下指令改写转写结果、导出 SRT / DOCX / PDF、异步回调。

合规方面也有明确说法：默认跑在美国，企业客户可以选欧盟、印度、新加坡的隔离环境；有「零留存模式」，请求一结束就删音频和文本；覆盖 SOC 2、ISO 27001、PCI DSS Level 1，签 BAA 可以做 HIPAA 场景，也支持私有部署。另有一个面向问诊对话调的医疗版，只在 ElevenAgents 里提供。

怎么用：改一个 model_id 就完事

接口没变，还是原来那个 POST /v1/speech-to-text，只是把模型名换掉：

from elevenlabs.client import ElevenLabs

client = ElevenLabs()
result = client.speech_to_text.convert(
    file=open("meeting.mp3", "rb"),
    model_id="scribe_v3",        # 原来是 scribe_v2
    diarize=True,                 # 打开说话人分离
    tag_audio_events=True,
)

实时版走原来的 WebSocket 地址，把 model_id 换成 scribe_v3_live，需要「按语义断句」就加 commit_strategy="turn_prediction"：

connection = await client.speech_to_text.realtime.connect(
    model_id="scribe_v3_live",
    commit_strategy="turn_prediction",
)

三个入口按需要选：ElevenAPI（自己写代码接）、ElevenAgents（做语音客服，实时版已经内置）、App（网页里直接上传文件转写，两个版本都是默认）。

成本与时间

  • 录音版 Scribe v3：每小时音频 0.20 美元，和 Scribe v2 同价
  • 实时版 Scribe v3 Live：每小时 0.22 美元
  • 术语提示和「用自然语言改写转写结果」是额外计费项，官方价目页单列
  • 账户还是按 credit 走：免费档 1 万 credit，Starter 6 美元 3 万 credit，往上 Creator 22 美元、Pro 99 美元、Scale 299 美元、Business 990 美元

换算一下：一场 1 小时的会，录音版成本 0.2 美元；一天 8 小时会议记录，1.6 美元。相比「人工听一遍再校对」，这个价格基本可以忽略。

适用场景

  • 会议纪要与访谈整理：多人来回插话、需要标注谁说了什么
  • 客服与呼叫中心：需要实时知道对方说完了没有，别抢话；需要事后按说话人做质检
  • 字幕与内容再利用：要词级时间戳、要能导出 SRT
  • 问诊记录：走医疗版 + BAA + 零留存
  • 多语种/混说场景：一句里换语言、带口音的教学音频

不适用场景

  • 需要「一字不差」的法律级逐字稿：它明确说了不做 verbatim 模式，会做可读性清理
  • 超过 32 个说话人的场景：说话人分离上限就写在那
  • 要本地离线跑的：这是纯云 API，没有权重
  • 超长单文件批处理：单次请求有文件大小与时长限制，长音频要切段
  • 强监管但不愿签合同的小团队：数据驻留、零留存、BAA 都是企业侧能力

避坑：三个数字口径的坑

第一，别拿它的百分比和别家横比。ElevenLabs 自己写清楚了：它是「每条音频单独算 WER，再按语言平均」，这种做法天然比行业常见的「把所有音频拼起来算一个总 WER」更高。同一套音频换个算法，数字会好看不少，所以两家的百分比放一起没有意义。

第二，官方两处口径不完全一致。博客写实时版是「102 种语言、语义 WER 降 43%」，模型文档写「73 种语言、降 44%」；术语库上限在总览表里写 10 万，在细则里写 1 万。以控制台实际能传多少为准。

第三，实时和录音不要混用。实时版是流式的，它在没听完整句就开始写，标点和大小写策略跟录音版不同，所以官方对实时版主推「语义 WER」这个口径。要做存档级转写，用录音版。

还有一条不是技术问题：说话人标签意味着「谁说了什么」被结构化记录了。做会议记录、客服质检之前，先确认合规与告知流程。

行动建议：先做一件小事

如果你手上已经有在跑的转写流程，第一步不是重构，是把 model_id 从 scribe_v2 改成 scribe_v3，然后拿同一批真实音频跑一遍对比。重点别看总错误率，看三类词错没错：人名、数字、你们行业的专有名词。

做语音客服的，第二步再试 commit_strategy="turn_prediction"——这个改动对「AI 老抢话」的体感改善，通常比 WER 降几个点更明显。

参考来源

以下为本文核验所用的一手与第三方来源，按发布时间在近 72 小时窗口内。

评论

0 条已公开
登录或注册后可以参与评论。

正在加载评论...