ElevenLabs 发布 Scribe v3 / v3 Live 语音转文字模型：102 种语言 WER 比 v2 降 27%，实时版语义 WER 降 43%，首次支持实时说话人区分

这件事意味着什么

【要点】

· 发布：ElevenLabs 于 2026-11-10 推出两款语音转文字模型：面向录音的 Scribe v3，以及面向实时场景的 Scribe v3 Live（模型 ID scribe_v3 / scribe_v3_live）。两者已上线 ElevenAPI，并成为 ElevenLabs 应用的默认模型。

· 准确率：在 102 种语言的 FLEURS（内部版本）上，Scribe v3 的词错误率（WER）比 v2 降低 27%，而且每种语言都有改善：德语 −42%、西语 −35%、英语 −23%、斯瓦希里语 −34%。

· 实时版：Scribe v3 Live 的语义 WER 比 v2 Realtime 降低 43%，WER 降低 31%。希腊语 −77%，印地语 −36%。

• · 说话人区分：v3 的区分错误比 v2 少 12%（三人及以上场景少 17%）。
• v3 Live 首次在实时转写中支持说话人区分，英语场景错误率 3.1%，测试中其他实时模型为 5.9%–7.3%。

• · 新功能：基于上下文的轮次检测（不再只靠静音计时）
• 关键词提示最多 1,000 个
• 可用自然语言写格式规则
• 实时版支持句中切换语言。

• · 合规：默认在美国运行，企业可选欧盟、印度、新加坡隔离环境；提供零留存模式，可签 HIPAA BAA。
• 官方未公布新价格。

【我们的判断】

一

背景

· ElevenLabs 正把业务从配音和语音合成扩展到完整的语音智能体链路：此前推出语音到语音的 Eleven Realtime（e/1006），这次补上「听得准」这一环。

• · 官方称 Scribe 已累计处理数亿小时音频。
• 客户 Eneco（荷兰能源公司）在实测中，邮编一次识别成功率提升 40%。

二

对照

• · NVIDIA 上月开源的 Nemotron 3.5 Transcribe（e/1062）同样主打多语种和说话人区分，但它是开放权重。
• Scribe v3 是闭源 API，卖点在实时延迟、合规和托管服务。

• · 评测说明：数据集是 ElevenLabs 自建或内部版本（会议、客服通话数据集「即将开源」），对比对象也由其挑选。
• 官方特别提醒：它按语言分别计分再平均，与混合计分的公开结果不能直接比较。

三

影响

· 对语音智能体：轮次检测和实时说话人区分直接影响「打断用户」和「张冠李戴」这两类最常见的体验问题。

· 对多语种市场：印地语与英语混说、低资源语言的明显改善，说明竞争焦点正在从英语转向长尾语言。

· 待看：评测集真正开源后的第三方复测。

【可核验】

• · 官方博客
• · 模型列表