ElevenLabs выпустила модели распознавания речи Scribe v3 и Scribe v3 Live

Компания ElevenLabs представила две новые модели распознавания речи — Scribe v3 и Scribe v3 Live. Они созданы для точного преобразования аудио в текст в условиях фонового шума и перекрестных разговоров.

Новинки ориентированы на использование в голосовых агентах. Версия Scribe v3 Live задействует разговорный контекст, что позволяет предотвратить ситуации, когда ИИ-агенты преждевременно прерывают собеседников на полуслове.

Независимые бенчмарки от Artificial Analysis подтверждают, что базовая Scribe v3 демонстрирует высокую точность, незначительно опережая аналогичные решения от OpenAI, Google и Microsoft.

Однако повышенная точность отразилась на производительности и стоимости. Конкурентные решения от Microsoft и xAI работают в несколько раз быстрее и обходятся примерно вдвое дешевле в расчете на объем обработки.

Появление моделей дает разработчикам разговорных интерфейсов инструмент для повышения качества диалогов за счет учета контекста, несмотря на более высокие требования к ресурсам.