ElevenLabs выпустила модели распознавания речи для сложных разговоров
ElevenLabs выпустила Scribe v3 и Scribe v3 Live — две модели преобразования речи в текст для сложных аудиозаписей, где собеседники говорят одновременно или присутствует фоновый шум. Scribe v3 предназначена для готовых файлов, а Scribe v3 Live — для приложений с низкой задержкой в реальном времени. Обе модели доступны через интерфейс ElevenAPI и платформу ElevenAgents.
По данным компании, Scribe v3 примерно на 25 процентов сокращает количество ошибок в словах по сравнению с предыдущей версией и поддерживает 102 языка. ElevenLabs также сообщает о заметном улучшении распознавания немецкого языка и более надежном определении говорящих в больших групповых беседах. В тестах Artificial Analysis модель вошла в число самых точных: она немного опередила решения Microsoft, Mistral, xAI, Google и OpenAI, но уступила предварительной модели Alibaba. В исследовании для нее указана цена $3.33 за 1 000 минут; по скорости и стоимости она уступает некоторым конкурентам.
Scribe v3 Live учитывает контекст разговора вместе с аудиосигналом, чтобы не принимать короткую паузу за окончание фразы и не обрывать звонящих. Разработчики могут заранее добавлять специализированные термины, задавать правила записи чисел и дат и включать многоязычный режим. Для корпоративных клиентов предусмотрены серверы, изолированные в ЕС, и режим немедленного удаления данных.
Текст подготовлен ИИ Sakhanda Wire по материалу The Decoder. Факты, цитаты и полный контекст — в оригинальной статье ниже.