Sakhanda Wire
NVDA $154.00 -1.37% MSFT $506.28 -2.26% GOOGL $280.87 -1.00% META $620.34 -0.97% AMZN $256.88 -0.34%
← Към новините

ElevenLabs представи модели за разпознаване на шумна и разговорна реч

ElevenLabs пусна Scribe v3 и Scribe v3 Live — два модела за преобразуване на реч в текст, предназначени за трудни аудиоситуации, включително едновременно говорене и фонов шум. Scribe v3 е разработен за предварително записани файлове, а Scribe v3 Live — за приложения с малко закъснение в реално време. И двата модела са достъпни чрез интерфейса ElevenAPI и платформата ElevenAgents.

Компанията заявява, че Scribe v3 намалява грешките при думите с около 25 процента спрямо предшественика си на 102 езика. Според ElevenLabs разпознаването на немски е подобрено, а разделянето на говорителите работи по-надеждно при по-големи разговори. Тестове на Artificial Analysis поставят модела сред най-точните проверени решения — малко пред предложенията на Microsoft, Mistral, xAI, Google и OpenAI, но след предварителен модел на Alibaba. В теста цената му е $3.33 за 1 000 минути, като моделът е по-бавен и по-скъп от някои конкуренти.

Scribe v3 Live използва контекста на разговора заедно с аудиосигнала, за да различи кратка пауза от края на репликата и да намали прекъсванията от гласови агенти. Разработчиците могат да добавят специализирани термини и правила за изписване на числа и дати. Предвидени са и многоезичен режим, EU изолирани сървъри и обработка без запазване на данни за корпоративни клиенти.

Текстът е изготвен от ИИ на Sakhanda Wire по материал на The Decoder. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.

Първоначално публикувано от The Decoder на

Прочетете оригинала в The Decoder ↗

Репортажът и изображението принадлежат на The Decoder и са посочени по-горе с връзка към оригинала; текстът на тази страница е собствено изложение на Sakhanda Wire.

← Към новините

Още новини

Всички последни новини