ElevenLabs 发布 Scribe v2 Realtime：150 毫秒超低延迟听写

如果你和语音 AI 聊过天，肯定体会过那种微妙的尴尬：你说完一句话，空气突然安静一两秒，对方才慢吞吞接话。对话的节奏一旦断掉，再逼真的声音也立刻露馅。

以语音合成出名的 ElevenLabs 正式推出了实时语音转文字模型 Scribe v2 Realtime。这回他们要解决的，正是对话里最要命的延迟问题。

官方数据显示，Scribe v2 Realtime 在处理英语、法语、德语、意大利语、西班牙语、葡萄牙语等语言时，转写延迟被压到了 150 毫秒以内。整个模型支持超过 90 种语言，在 30 种常用的欧亚语言中，识别准确率达到了 93.5%。

把延迟压到 150 毫秒靠什么

要让对话听起来像真人在聊天，光靠缩短常规计算时间还不够。Scribe v2 Realtime 拿出了一个听起来有点玄乎的特性：负延迟。

说白了，它不是干等着你说完最后一个音节才开始转录，而是在音频流进来的同时，主动预测你接下来的用词和标点符号。把这部分推算做在前面，整段话的呈现自然就快了一步。

面对跨国交流或多语言家庭的场景，它支持自动检测语种。用户在一通电话里中途换成另一门语言，模型不需要重新切换配置，自己就能跟上节奏。

做工程开发的人还会看重它的文本条件注入能力。一旦网络不稳定导致连接中断重连，它能参考上一批次转录的上下文继续往下写，不会因为网络抖动直接丢掉对话上文。

此外，它还配备了语音活动检测、让开发者自己决定何时定稿片段的手动提交机制，并支持 48kHz 的 PCM 与 μ-law 等常见音频编码。

在抗干扰方面，ElevenLabs 在 500 个包含背景杂音和复杂信息的测试样本上跑了一圈，官方表示它的表现大幅超越了其他现有模型。

目前这项服务已经上线，开发者可以直接调用 API，或者在 ElevenLabs Agents 平台里开箱即用。企业客户还能拿到 SOC 2、ISO 27001、PCI DSS L1、HIPAA 和 GDPR 等一系列合规支持，以及针对敏感业务的零数据保留模式。

为什么重要

对于做客服电话、销售助手或实时字幕的团队来说，这套工具非常实用。以往搭一个实时语音 Agent，通常要从 Deepgram 或 Whisper 抓听力模块，再接 LLM，最后接 ElevenLabs 做发音。管道越长，延迟和故障率越高。

现在 ElevenLabs 把输入端的拼图也补齐了。150 毫秒的识别延迟，加上它原本就在行业前列的拟真发音，让开发者只用一家供应商就能搭出反应极快的对话闭环。

从行业竞争来看，ElevenLabs 很聪明地打到了语音大模型与传统转写工具的夹缝。虽然端到端多模态大模型呼声很高，但多数企业业务仍需要可控的转写文本来过合规和业务逻辑。Scribe v2 Realtime 用极低的延迟和企业级合规，直接向 Deepgram 等老牌实时转写服务商发起挑战。

不过在我们看来，它的隐患也在于定位。如果未来端到端原生语音模型的延迟和成本进一步下降，先转文字再交由大语言模型处理的技术路线，在极简对话场景里可能会受到冲击。但在当下复杂的商业落地中，Scribe v2 Realtime 拿出的这套方案，算得上是兼顾延迟与工程掌控力的成熟选择。