まず、ここだけ

  • 録音向けScribe v3は102言語で、単語誤り率がScribe v2より27%低い
  • 低遅延のScribe v3 Liveは誤り43%減で、話者ダイアライゼーションを初搭載
  • ElevenAPIはモデルIDの1行変更で切替でき、v3 LiveはElevenAgentsでも利用可

実世界の雑音と会議の被りを前提にした二系統

「Built for real-world audio, Scribe excels in situations with extreme background noise, knows pauses from the end of sentences, and keeps track of who said what in a busy meeting.」

ElevenLabs(@ElevenLabs)は2026年11月10日、公式XでScribe v3とScribe v3 Liveを最も精度の高いSpeech to Textとして公開した。ブログはMin Kimが同日執筆し14日更新。会議メモや音声エージェント、吹き替え、臨床記録、放送アーカイブは文字起こしが起点で、誤りの修正は下流ほど高くつく。

録音は27%減、ライブは43%減の精度差

Scribeはノートアプリから音声エージェントまで、数億時間の文字起こしを支えてきた。v3は録音、v3 Liveは低遅延のリアルタイム用で、後者は話者ダイアライゼーションを初めて載せ、ターン検出も改良している。

項目内容
Scribe v3録音向け。102言語でScribe v2より単語誤り27%減。検証した中で最も正確な話者ラベル
Scribe v3 Live低遅延リアルタイム。Scribe v2 Realtimeより誤り43%減。話者分離を初搭載しターン検出を改善
提供形態両モデルはElevenAPIで利用。v3 LiveはElevenAgentsでも即日提供。v2からの切替はモデルIDの1行変更

ヒンディー語と英語の切り替えが突き上げた現場の五点

開発の起点は、Scribe上にプロダクトを組むチームから繰り返し届いた同じ五点だ。混雑した部屋でも話者ラベルが崩れないこと、会話の間を文末と誤認しないターン検出は、公式ブログでも独立した見出しになっている。

  • 会議メモ勢は、速い掛け合いと話者3人以上でのダイアライゼーション精度を要求
  • 音声エージェント勢は、文中の間や番号の読み上げで沈黙タイマーが通話を切る問題を指摘
  • ライブ勢は速度のために精度を捨てており、リアルタイムがバッチより明らかに劣っていた
  • インドの顧客は、文中で切り替わってもヒンディー語が英語に並ぶ精度を求めた
  • 出力側では数字を「123」と書く指定や、言語・用語・書式の制御が求められた

最初の文字起こしをElevenAgentsで通す

公式は精度の数ポイントを、ElevenAgentsで最初から正しい文字起こしを取ることと企業向け実装の価値として語る。導入はブログ記事(https://elevenlabs.io/blog/scribe-v3)から進められる。

Scribe v3の公開ページ元のページを別タブで開いて確認できます
『Scribe v3』公式ページ・関連リンクを開く ↗

話題の元投稿

作者の投稿や紹介を、X で確認できます。

よくある質問

Scribe v2から乗り換えるときコードのどこを変えるか

ElevenAPIではモデルIDを1行変えるだけでよく、公式はそれをv2からの移行手順として案内している。

参考リンク

  1. Scribe v3 関連ソース (1)x.com
  2. Scribe v3 関連ソース (2)elevenlabs.io