A ElevenLabs apresentou dois novos modelos de reconhecimento de fala. O Scribe v3 é voltado para arquivos de áudio gravados, enquanto o Scribe v3 Live foi criado para aplicações em tempo real com baixa latência. Os dois foram projetados para condições de áudio difíceis, como pessoas falando ao mesmo tempo em reuniões ou ligações telefônicas com ruído de fundo, e já estão disponíveis por meio da interface para desenvolvedores ElevenAPI e da plataforma ElevenAgents.
Segundo a empresa, o Scribe v3 reduz os erros de palavras em cerca de 25 por cento em relação ao antecessor em 102 idiomas, com melhora significativa na precisão em alemão. A diarização de locutores também funcionaria de forma mais confiável em conversas com grupos maiores, afirma a ElevenLabs, e o Scribe v3 Live a disponibiliza em tempo real pela primeira vez.
Resultados dos benchmarks
Testes independentes da Artificial Analysis colocam o Scribe v3 entre os modelos de transcrição mais precisos do mercado. Ele supera os concorrentes da Microsoft, Mistral, xAI, Google e OpenAI, ficando atrás apenas de um modelo em prévia da Alibaba.
O mesmo benchmark, porém, revela desvantagens. Com o preço de referência de US$ 3,33 por 1.000 minutos, a ElevenLabs fica na faixa intermediária em velocidade e preço: os modelos da Microsoft e da xAI são muitas vezes mais rápidos, com taxas de erro apenas ligeiramente maiores, e custam cerca da metade. Quem precisa processar grandes volumes de áudio de forma rápida e barata tende, portanto, a ser melhor atendido por outros provedores.
Vale ressaltar que o teste mede apenas erros de palavras em arquivos gravados. Ele não leva em conta as melhorias que a ElevenLabs destaca na diarização de locutores, em idiomas raros ou no comportamento em tempo real do Scribe v3 Live.
Um modelo em tempo real para agentes de voz
Nos agentes de voz, o Scribe v3 Live busca corrigir uma falha comum: os sistemas atuais costumam depender de temporizadores de pausa rígidos e interrompem os usuários no meio da frase quando fazem uma pausa curta para pensar ou ditam lentamente uma sequência de números. O novo modelo analisa o contexto da conversa junto com o sinal de áudio para identificar quando a pessoa realmente terminou de falar.
A ElevenLabs também dá aos desenvolvedores mais controle sobre a transcrição final. Os modelos podem ser pré-carregados com milhares de termos especializados, como nomes de marcas ou medicamentos, para evitar a interpretação incorreta de vocabulário específico de cada área. Regras de formatação para números ou datas podem ser definidas em linguagem natural, e um modo multilíngue lida com trocas de idioma no meio de uma frase. Clientes corporativos contam com servidores isolados na UE e com um modo de retenção zero que apaga os dados imediatamente após cada requisição.
Expansão corporativa
Paralelamente aos novos modelos, a ElevenLabs amplia seus negócios corporativos. Em uma parceria expandida com a Nvidia, a empresa integra o modelo de linguagem aberto Nemotron 3.5 Super VL ao ElevenAgents, garante capacidade de computação adicional em infraestrutura da Nvidia, desenvolve controle por voz local para robôs e opera um agente telefônico para o sistema público de saúde da Polônia. A companhia também anunciou uma aliança com a consultoria McKinsey, um programa de parceiros ampliado para integradores de sistemas e um marketplace próprio no qual empresas como Salesforce, IBM e Zendesk oferecem agentes de voz prontos para uso.