В этой заметке мы с тобой разберёмся, что изменилось в распознавании речи с выходом линейки Scribe v3 от ElevenLabs и когда для рабочих задач стоит выбирать пакетную модель, а когда нужна потоковая транскрипция на лету.
Когда нужно расшифровать запись технического совещания или подключить голосового бота к телефонной линии, одна универсальная нейросеть заставляет идти на уступки: либо ты ждёшь конца файла ради точного разбора терминов, либо получаешь быстрый отклик ценой путаницы в голосах. В ElevenLabs решили эту дилемму разделением ролей и представили в документации Speech-to-Text два инструмента — пакетный scribe_v3 и потоковый scribe_v3_live.
За счёт чего ошибки снизились на 43% и как учитывается контекст фразы
Я сверил спецификации релиза от 10 ноября 2026 года (разобранные также на канале Julian Goldie SEO), чтобы проверить главную цифру анонса. Снижение ошибок на 43% относится к потоковой модели scribe_v3_live в сравнении с прошлой версией Scribe v2 Realtime по семантическому уровню ошибок (semantic Word Error Rate — sWER).
Обычный пословный индекс (WER) штрафует алгоритм за любую мелочь: если спикер сказал «доктор», а в тексте вышло «д-р», тест засчитает промах, хотя суть не пострадала. Метрика sWER фиксирует ошибку только тогда, когда искажается смысл фразы. По классическому строгому WER потоковая версия тоже стала ошибаться на 31% реже и достигла 93,4% точности на 75 языках против 91,8% у Gemini Flash 2.5 и 91% у GPT-4o Mini.
У пакетной модели scribe_v3 для готовых файлов пословный WER снизился на 27% в среднем по 102 языкам. За счёт акустического моделирования и учёта контекста целых предложений она показала на тестах 5,5% ошибок против 9,7% у GPT Transcribe и 12,4% против 18,5% у Gemini 3.5 Transcribe.
Диаризация на лету, умные паузы и словарь терминов
Точность слов мало спасает, если на записи технического подкаста три инженера спорят об архитектуре, а в расшифровке их голоса сливаются в сплошной текст. В пакетной scribe_v3 ошибки разделения говорящих (диаризации) снизились на 12% в целом и на 17% в записях, где говорят от трёх спикеров и больше.
В scribe_v3_live впервые среди потоковых моделей компании появилась нативная диаризация в реальном времени: алгоритм размечает смену спикеров по ходу речи с долей ошибок 3,1% против 5,9–7,3% у конкурентов. В паре с ней работает умная детекция пауз (turn detection) поверх анализатора голоса (VAD): оценивая интонацию окончания мысли, бот не перебивает собеседника при диктовке длинных кодов или адресов.
Для защиты узких терминов от искажений в API предусмотрены три настройки:
- Словарь ключевых терминов до 1000 слов для брендов, имён и названий продуктов;
- Параметр
secondary_language_codesдля смешанной речи, когда в русский диалог вплетаются английские термины; - Формат
numbers_format, задающий вывод числительных цифрами (42) или прописью (сорок два).
В датской энергетической компании Eneco перевод телефонного агента на scribe_v3_live позволил верно распознавать почтовые индексы с первой попытки на 40% чаще, а номера домов — на 15% чаще.
Выбор между v3 и v3 Live: задержка в 150 мс, стоимость и ограничения
В коде переход между моделями сводится к смене идентификатора, но задачи у них разные. Пакетная scribe_v3 принимает готовые файлы MP4, MOV, MP3 и WAV, анализирует контекст целиком, отмечает смех или шаги и собирает чистые субтитры. Потоковая scribe_v3_live работает через WebSocket с задержкой около 150 миллисекунд — это выбор для живых звонков и голосовых ботов (схожую задачу решает Voxtral 3 от Mistral, а для работы без облаков есть локальная NVIDIA Nemotron 3.5 Transcribe).
Обработка стоит от $0,22 за час аудио с поддержкой маскирования личных данных, режима нулевого хранения (Zero Data Retention), сертификатов SOC 2, ISO 27001 и стандарта HIPAA.
Но за отклик в 150 мс приходится платить компромиссом: когда в шумной комнате два похожих по тембру голоса начинают спорить одновременно, потоковая scribe_v3_live может приписать фразу более громкому спикеру, не видя контекст на несколько секунд вперёд. Поэтому архивы сложных встреч надёжнее отдавать пакетной scribe_v3, оставляя scribe_v3_live для живых звонков. Впрочем, следующий шаг индустрии очевиден: скоро потоковые модели начнут на лету исправлять уже выведенные реплики с учётом новых фраз, стирая грань между быстрым стримом и студийной стенограммой.



