ElevenLabs 推出語音轉文本模型 Scribe：支援 99 種語言，準確率超 Whisper

過去兩年，靠著幾乎能以假亂真的 AI 擬聲技術，ElevenLabs 幾乎成了語音合成領域的代名詞。但大家都在猜，它什麼時候才會把聽覺補齊。

這家語音獨角獸正式推出了自己的第一款語音轉文字模型 Scribe。用他們自己的話說，這是目前全球最精準的轉錄模型。

專挑難啃的小語種下手

Scribe 一上來就支援 99 種語言。轉錄輸出的是結構化的 JSON 資料，自帶詞級時間戳、說話人分離，甚至還能給非語音事件打標籤，比如在文本里直接標出某處有笑聲。

在精準度上，ElevenLabs 拿它和當下的幾個主力選手硬碰硬。在 FLEURS 和 Common Voice 兩大基準測試中，Scribe 在 99 種語言上的表現都壓過了 Whisper Large V3、Gemini 2.0 Flash 以及 Deepgram Nova-3。

官方資料顯示，它在義大利語中的轉錄表現達到 98.7%，英語達到 96.7%。無論是整理會議紀要、生成電影字幕還是扒歌詞，錯誤率都創下了新低。

更有意思的是小語種和方言。像塞爾維亞語、粵語、馬拉雅拉姆語這些過去常被大模型敷衍的語言，競品的字詞錯誤率往往會飆過 40%，而 Scribe 在這幾門語言上的錯誤率出現了斷崖式下降。

開發者今天就能調，即時版還在路上

目前開發者已經可以通過 ElevenLabs 的 Speech to Text API 呼叫 Scribe。返回的資料不僅分清了誰在說話，還給每個詞都打好了毫秒級的時間線。

對於創作者和企業，ElevenLabs 的控制台也已經上線了直接上傳音影片生成排版字幕的功能，不需要寫程式碼就能用。

不過，目前開放的版本主要針對離線音訊處理。ElevenLabs 表示，面向即時互動場景的低延遲版本還要再等一等，很快才會推出。

為什麼重要

我們認為，這是 ElevenLabs 商業版圖裡必須補上、也是最關鍵的一塊拼圖。

過去 ElevenLabs 只有嘴巴（TTS），做 Conversational AI（語音智慧體）時，開發者必須在外面接 OpenAI 的 Whisper 或 Deepgram 來做耳朵，中間的網路跳轉和格式轉換既增加延遲又增加成本。Scribe 一齣，ElevenLabs 終於能給開發者提供自家的全棧語音閉環了。

對創作者和開發者來說，現在值不值得用？如果你的業務重度依賴字幕切分、需要準確識別人聲和背景笑聲，或者受夠了粵語等非主流語種的高錯誤率，現在的 Scribe 完全值得換上去試試。詞級時間戳和事件標記能省掉大量後期校對的時間。

但它最大的隱患也很明顯：即時版還沒就緒。語音互動最卷的戰場從來不是離線轉錄，而是低延遲的打斷和對話。在低延遲版本正式跑通之前，Deepgram 等深耕即時轉錄的對手在電話客服和即時助理領域依然握有護城河。ElevenLabs 這一仗打得很準，但真正的硬仗還在後頭。