ElevenLabs випустила моделі розпізнавання мовлення для складних розмов
ElevenLabs випустила Scribe v3 і Scribe v3 Live — дві моделі перетворення мовлення на текст для складних аудіоситуацій, зокрема розмов із накладанням голосів і фоновим шумом. Scribe v3 призначена для заздалегідь записаних файлів, а Scribe v3 Live — для застосунків із малою затримкою в реальному часі. Обидві моделі доступні через інтерфейс ElevenAPI та платформу ElevenAgents.
За даними компанії, Scribe v3 приблизно на 25 відсотків зменшує кількість помилок у словах порівняно з попередньою версією та працює зі 102 мовами. ElevenLabs також заявляє про суттєве покращення розпізнавання німецької мови й надійніше розрізнення мовців у великих групових розмовах. У тестах Artificial Analysis модель увійшла до найточніших: вона незначно випередила рішення Microsoft, Mistral, xAI, Google та OpenAI, але поступилася попередній моделі Alibaba. У тесті її ціна становила $3.33 за 1 000 хвилин, а швидкість була нижчою, ніж у частини конкурентів.
Scribe v3 Live аналізує контекст розмови разом з аудіосигналом, щоб відрізняти коротку паузу від завершення репліки й не переривати абонентів. Розробники можуть додавати спеціалізовані терміни, визначати правила запису чисел і дат та вмикати багатомовний режим. Для корпоративних клієнтів доступні сервери, ізольовані в ЄС, і режим негайного видалення даних.
Текст підготовлено ШІ Sakhanda Wire за матеріалом The Decoder. Факти, цитати та повний контекст — в оригінальній статті нижче.