ElevenLabs 出了 Scribe v3：102 种语言、错词率降两成五，但价格不便宜

ElevenLabs 发了两款新的语音转文字模型：Scribe v3 处理录好的音频，Scribe v3 Live 面向实时场景，延迟更低。

官方给的改进集中在难搞的录音上：多人同时说话、互相打断、背景噪音。单词错误率比上一代降了约 25%，支持 102 种语言，德语提升明显。说话人分割在大群组对话里更稳，Live 版本第一次支持实时分割说话人。

第三方 Artificial Analysis 的测试里，Scribe v3 是准确率最高的一档，排在微软、Mistral、xAI、谷歌和 OpenAI 之前，只输给阿里的一款预览版模型。

短板也写在同一份测试里：它不快，也不便宜。基准价每 1000 分钟 3.33 美元，微软和 xAI 有更快、更便宜的选择。而且这个测试只量了录音转写的错误率，说话人分割、小语种、实时性能这些 ElevenLabs 自认的强项都没覆盖。

Live 版对做语音客服的团队有一个实用改动：判断用户说完话的方式不再只靠固定的停顿计时，而是结合上下文和音频信号。读一串手机号读得慢一点、中间停了一下，不会被系统抢话。开发者还能预加载行业术语、设置数字日期的格式。

企业客户可以选欧盟独立服务器和零数据保留模式。如果你的业务是会议转写、客服质检这种对准确率敏感的场景，值得拿自己的录音跑一遍对比；如果是大批量的普通转写，价格可能就是决定因素。