ElevenLabs、音声認識モデル「Scribe」公開：99言語対応でWhisperを上回る精度をアピール

高品質な音声合成で知られる ElevenLabs が、ついに「聞く」側の領域へと本格参入しました。

同社は音声認識（ASR）モデル「Scribe」を発表し、世界で最も精度の高い文字起こしモデルであるとアピールしています。

99言語対応と「笑い声」の検出

Scribe は 99 言語に対応する音声認識モデルです。単に文字を起こすだけでなく、単語レベルのタイムスタンプ、話者分離、さらには笑い声といった非音声イベントのタグ付け機能を備えています。結果は扱いやすい構造化 JSON で返されます。

FLEURS および Common Voice のベンチマークテストにおいて、Whisper Large V3 や Gemini 2.0 Flash、Deepgram Nova-3 といった主要モデルを一貫して上回るスコアを記録したと説明されています。

精度面では、イタリア語で 98.7％、英語で 96.7％ を達成。会議の要約や映画の字幕、楽曲の歌詞起こしまで高精度でこなします。

特に強みを発揮するのが、従来モデルが苦手としていた言語です。広東語やセルビア語、マラヤーラム語など、他社モデルで単語エラー率が 40％ を超えることも珍しくなかった言語において、エラーを大幅に削減したとしています。

開発者は Speech to Text API を通じてすぐに組み込み可能で、一般ユーザーや企業も管理画面から音声をアップロードして試すことができます。なお、リアルタイム対話向けの低遅延バージョンは近日公開予定とされています。

なぜ重要か

音声生成の覇者である ElevenLabs が、音声認識でもトップクラスの性能を打ち出してきた点に大きな意味があります。

これまで ElevenLabs で音声エージェントを構築する開発者は、音声認識部分に OpenAI の Whisper や Deepgram などを組み合わせる必要がありました。Scribe の登場により、同社は「聞く」から「話す」までを自社基盤だけで完結できるようになります。

字幕制作や多言語の音声データを扱う現場にとっては、単語単位のタイムスタンプや非音声タグが標準で取れるため、今すぐ試す価値が十分にあります。特にアジア圏の言語やニッチな方言を扱うプロジェクトでは強力な選択肢になるはずです。

ただし、現行版はバッチ処理が中心です。音声対話エージェントで最も重要なのは低遅延でのリアルタイム応答であり、その本命となる低遅延モデルが出るまでは、リアルタイム分野で先行する Deepgram などの優位はしばらく続くでしょう。