ElevenLabs 釋出 Scribe v2 Realtime：150 毫秒超低延遲聽寫

如果你和語音 AI 聊過天，肯定體會過那種微妙的尷尬：你說完一句話，空氣突然安靜一兩秒，對方才慢吞吞接話。對話的節奏一旦斷掉，再逼真的聲音也立刻露餡。

以語音合成出名的 ElevenLabs 正式推出了即時語音轉文字模型 Scribe v2 Realtime。這回他們要解決的，正是對話裡最要命的延遲問題。

官方資料顯示，Scribe v2 Realtime 在處理英語、法語、德語、義大利語、西班牙語、葡萄牙語等語言時，轉寫延遲被壓到了 150 毫秒以內。整個模型支援超過 90 種語言，在 30 種常用的歐亞語言中，識別準確率達到了 93.5%。

把延遲壓到 150 毫秒靠什麼

要讓對話聽起來像真人在聊天，光靠縮短常規計算時間還不夠。Scribe v2 Realtime 拿出了一個聽起來有點玄乎的特性：負延遲。

說白了，它不是乾等著你說完最後一個音節才開始轉錄，而是在音訊流進來的同時，主動預測你接下來的用詞和標點符號。把這部分推算做在前面，整段話的呈現自然就快了一步。

面對跨國交流或多語言家庭的場景，它支援自動檢測語種。使用者在一通電話裡中途換成另一門語言，模型不需要重新切換配置，自己就能跟上節奏。

做工程開發的人還會看重它的文本條件注入能力。一旦網路不穩定導致連線中斷重連，它能參考上一批次轉錄的上下文繼續往下寫，不會因為網路抖動直接丟掉對話上文。

此外，它還配備了語音活動檢測、讓開發者自己決定何時定稿片段的手動提交機制，並支援 48kHz 的 PCM 與 μ-law 等常見音訊編碼。

在抗干擾方面，ElevenLabs 在 500 個包含背景雜音和複雜資訊的測試樣本上跑了一圈，官方表示它的表現大幅超越了其他現有模型。

目前這項服務已經上線，開發者可以直接呼叫 API，或者在 ElevenLabs Agents 平臺裡開箱即用。企業客戶還能拿到 SOC 2、ISO 27001、PCI DSS L1、HIPAA 和 GDPR 等一系列合規支援，以及針對敏感業務的零資料保留模式。

為什麼重要

對於做客服電話、銷售助手或即時字幕的團隊來說，這套工具非常實用。以往搭一個即時語音 Agent，通常要從 Deepgram 或 Whisper 抓聽力模組，再接 LLM，最後接 ElevenLabs 做發音。管道越長，延遲和故障率越高。

現在 ElevenLabs 把輸入端的拼圖也補齊了。150 毫秒的識別延遲，加上它原本就在行業前列的擬真發音，讓開發者只用一家供應商就能搭出反應極快的對話閉環。

從行業競爭來看，ElevenLabs 很聰明地打到了語音大模型與傳統轉寫工具的夾縫。雖然端到端多模態大模型呼聲很高，但多數企業業務仍需要可控的轉寫文本來過合規和業務邏輯。Scribe v2 Realtime 用極低的延遲和企業級合規，直接向 Deepgram 等老牌即時轉寫服務商發起挑戰。

不過在我們看來，它的隱患也在於定位。如果未來端到端原生語音模型的延遲和成本進一步下降，先轉文字再交由大語言模型處理的技術路線，在極簡對話場景裡可能會受到衝擊。但在當下複雜的商業落地中，Scribe v2 Realtime 拿出的這套方案，算得上是兼顧延遲與工程掌控力的成熟選擇。