ElevenLabs Scribe v3：102 语言词错率降 27% 与 0.2 美元定价

一句话结论：ElevenLabs 在 11 月 10 日发布的 Scribe v3 与 Scribe v3 Live，把语音转写的竞争焦点从「能不能识别」推到了「在多少语言、多嘈杂、多抢话的场景下还能不能不出错」，其中批处理版在 102 种语言上把词错误率相对上一代压低了 27%，实时版在语义词错率上压低 43%，而第三方基准显示 Scribe v3 以 1.9% 的错误率排在 45 个受测模型的第二名。

录音转写这件事，误差从来不是均匀分布的。会议里几个人同时说话、客服电话里背景嘈杂、说话人中途停顿换气，这些才是让转写结果不可用的真正原因。ElevenLabs 这次发布的两款模型针对的就是这些边界情况，而不是干净的朗读音频。

官方博客由增长团队的 Min Kim 撰写，发布日期标注为 2026 年 11 月 10 日。两款模型当天已经在 ElevenLabs 应用与 ElevenAgents 平台上线，同时通过 ElevenAPI 对开发者开放。从 Scribe v2 升级只需要改一行模型 ID，分别写成 scribe_v3 与 scribe_v3_live。

错误率降 27%：官方评测怎么测的

ElevenLabs 用了两套评测口径。多语言精度跑在 FLEURS 基准的内部版本上，涵盖 102 种语言，但 FLEURS 测不了说话人分离，因为每个片段只有一个说话人。所以官方又自建了一套数据集，包含 16 种语言的真实会议、智能体通话与语音留言。这套数据集官方表示会开源，但目前尚未放出。

批处理版 Scribe v3 相对 Scribe v2 的表现，官方给出的数字如下：

这里有个容易被忽略的方法论细节。官方明确说明，每种语言是单独打分再取平均，102 种语言权重相等。很多公开发布的结果是把所有片段池化成一个总分，那样的数字看起来更低，不同测量方式之间的数字不能直接对比。ElevenLabs 还额外报告了语义词错率这一指标，只有当转写内容改变了含义才计一次错误。

说话人分离的改善同样具体。Scribe v3 整体分离错误比 Scribe v2 少 12%，在三人及以上的录音里少 17%，官方称这是所有受测模型里最低的分离错误率。三人以上的多人会议恰恰是现有模型最常翻车的地方。

实时版的 43% 与 3.1% 分离错误率

Scribe v3 Live 面向低延迟场景，官方称它相对 Scribe v2 Realtime 把语义词错率压低 43%、标准词错率压低 31%，且在每一种语言上都有改善。实时场景落后的语种收益最大：希腊语改善 77%，丹麦语 54%，克罗地亚语 45%，印地语 36%。

第三方基准对实时版的分离能力也做了测量。在官方 16 语言真实数据集的英语部分，Scribe v3 Live 的分离错误率是 3.1%，其他受测实时模型在 5.9% 到 7.3% 之间。官方同时提醒，实时模型的转写漏词天然比批处理多，把转写对齐参考文本之后再打分，会拉低所有模型的错误率，所以这组数字不能和前面的批处理分离结果放在一起比。

实时版真正的新东西是轮次检测。传统语音智能体靠静音计时判断对方是否说完，阈值设短了会打断正在思考或正在念一串号码的人，设长了智能体显得迟钝。Scribe v3 Live 改为在音频信号之外同时分析对话上下文，判断说话人是否真的结束。这是 ElevenAgents 已经在用的同一套轮次检测，现在开放给了 ElevenAPI 用户。

第三方基准：精度第一，速度与价格中游

Artificial Analysis 的语音转写榜单给出了一组比官方口径更中立的横向对比。榜单的 AA-WER 指标综合了 AA-AgentTalk、VoxPopuli-Cleaned-AA 与 Earnings22-Cleaned-AA 三个数据集，价格口径是每 1000 分钟音频的美元数：

榜单上精度最高的是阿里云的 Fun-Realtime-ASR-preview，错误率 1.7%，但速度只有 20.7 倍实时。Scribe v3 以 1.9% 位居第二，速度 74.3 倍，价格 $3.33 每 1000 分钟，比自家上一代 Scribe v2 降了 9%。和微软 MAI-Transcribe-2 相比，Scribe v3 精度略低 0.1 个百分点，但速度只有对方的四分之一，价格约为两倍。谷歌 Chirp 3 的精度差距明显，价格则是 Scribe v3 的近五倍。

本地部署方案可以另算一笔账。如果转写量足够大，自建开源模型摊下来的成本曲线会完全不同，whisper.cpp 中文转写实测里给出了五档模型在本地跑的实际速度与内存占用，对预算敏感的场景值得对照着看。

价格与 API 接入

ElevenLabs 官方定价页把语音转写按小时计费，两款新模型与上一代并列在同一个档位：

实时接入用 JavaScript SDK 的写法，模型 ID 换成 scribe_v3_live，提交策略选 turn_prediction：

import { ElevenLabsClient } from "@elevenlabs/elevenlabs-js";

const elevenlabs = new ElevenLabsClient();
const connection = await elevenlabs.speechToText.realtime.connect({
  modelId: "scribe_v3_live",
  commitStrategy: "turn_prediction",
});

除了换模型 ID，还有几项实用能力值得留意。关键词提示一次最多可以塞 1000 个已知术语，比如品牌名、缩写与行话；Scribe v3 Live 额外提供关键词库，容量到数千条，模型只在听到可能匹配时才去查。数字可以配置返回数字还是文字，转写编辑还能用英文自然语言写规则，比如把日期统一写成 YYYY-MM-DD。实时版的多语言模式则针对一句话中间切换语言的对话场景。

真实落地案例：荷兰能源公司 Eneco

ElevenLabs 引用了荷兰能源供应商 Eneco 的案例。这家公司为荷兰超过 200 万户家庭与企业供电，在 ElevenAgents 上运行语音智能体，并在上线前用 Scribe v3 Live 做了实测。结果是荷兰邮编一次识别正确的比例提高了 40%，门牌号提高了 15%。

这个案例值得细看的地方在于，邮编和门牌号正是语音智能体最容易翻车的一类信息。一个地址识别错一次，后面所有基于该地址的查询、派单、账单动作都会跟着偏。Eneco 高级产品经理 Ruud Huigsloot 的评价是，ElevenLabs 派驻的驻场工程师正在与其一起继续改进语音智能体。

语音智能体的其他工程细节可以对照Shizuku-Duplex 全双工语音实测里对 80 毫秒单帧与 0.57 秒端到端延迟的拆解，以及Soniox STT v6 的回声消除方案，两者与 Scribe v3 Live 解决的其实是同一条链路上的不同环节。

合规与部署形态

两款模型默认运行在美国，企业客户可以选择隔离的欧盟、印度与新加坡环境来满足数据驻留要求。零保留模式会在请求完成后立刻删除音频与文本。官方说明两款模型都覆盖 SOC 2、ISO 27001 与 PCI DSS Level 1，符合 HIPAA 条件并可签署业务伙伴协议，同时支持私有部署。

另外，ElevenLabs 在 ElevenAgents 里同步发布了一个面向医疗对话优化的 Scribe v3 Live 版本。

几个百分点到底值多少钱

官方在博客里做了一道算术题，值得单独拎出来。一场每小时 150 词的会议大约是 9000 词，词错误率从 4% 降到 2%，意味着少 180 个错词，相当于每分钟有人说话时错 3 个。分离错误按时间计，同一场会议里每个百分点对应 36 秒被安到错误名字下面的语音。

错词落在哪里决定代价大小。在播客转写里错一个词是打错字，但在财报电话会上，把 fifteen 听成 fifty 就会进到分析师的模型里。官方还指出错误会聚集在人名、数字、缩写与行话上，而这恰好是摘要与智能体最需要拿准的部分。

常见问题

Scribe v3 和 Scribe v3 Live 该怎么选？

Scribe v3 面向已录制的音频文件，适合会议记录、播客转写、字幕生成与临床文书归档。Scribe v3 Live 面向低延迟实时场景，适合语音智能体与客服系统，且是第一个把说话人分离带进实时转写的版本。两者价格只差 $0.02 每小时，成本通常不是决策依据。

Scribe v3 是不是语音转写里精度最高的模型？

不是绝对第一，但差距很小。在 Artificial Analysis 的 AA-WER 榜单上，Scribe v3 以 1.9% 排在 45 个受测模型中的第二位，仅落后于阿里云 Fun-Realtime-ASR-preview 的 1.7%，也略优于微软 MAI-Transcribe-2 的 2.0%。在对话 AgentTalk 这类含真实交互的语料上排名更有意义，因为这类语料更接近会议和客服的实际分布。

从 Scribe v2 升级要改多少代码？

一行。把请求里的模型 ID 从 scribe_v2 改成 scribe_v3，实时场景改成 scribe_v3_live，其余代码不变。价格分别与上一代持平，官方定价页上 Scribe v3 与 Scribe v2 都是每 $0.20，实时版都是 $0.22。

小结

Scribe v3 这次的价值不在于把平均错误率压低了两成多，而在于把改进集中投放到了最容易出错的三个位置：三人以上会议的说话人分离、实时场景的抢话判断、以及英语以外的语言。第三方基准给出的 $3.33 每 1000 分钟也让它在精度与成本之间站住了位置。

需要留意的是，官方承诺开源的 16 语言真实数据集目前还没有放出来，多语言精度的官方数字全部来自 FLEURS 内部版本，与第三方的 AA-WER 口径不同，两者不宜直接比较。对于已经在用语音转写产品的团队，Scribe v3 更值得用真实业务音频跑一遍基准，而不是只看聚合分数。

相关阅读

• Soniox STT v6 发布：60+ 语言语音识别与智能体回声消除
• whisper.cpp 中文转写实测：五档模型怎么选
• Shizuku-Duplex 全双工语音：80ms 一帧，0.57 秒延迟
• DeepL Aure 语音模型：8 语种与 76% 翻译错误下降