ElevenLabs 推出 Scribe v2：支持 90+ 语言的高精度批量转录模型

ElevenLabs 正式发布 Scribe v2——一款专为大规模音视频内容处理设计的新一代语音转文字模型。与主打低延迟的 Scribe v2 Realtime 不同，Scribe v2 面向批量转录、字幕生成与说明文字制作场景，在准确性、鲁棒性与多语言支持上实现显著提升。

根据官方披露的行业基准测试，Scribe v2 在词错误率（WER）上达到当前最低水平，尤其擅长处理真实场景中的复杂语音特征。

• 地址：https://elevenlabs.io/app/speech-to-text

为什么 Scribe v2 更可靠？

• 抗干扰能力强：能稳定处理长时间停顿、语气变化、语速波动甚至数秒静默；
• 90+ 语言支持：覆盖主流及部分小语种，满足全球化内容团队需求；
• 上下文感知转录：不仅识别语音，还能理解语义边界，减少断句错误。

该模型已集成至 ElevenLabs Studio，适用于媒体、营销、教育培训、合规审计等需要管理大量音视频资产的团队。

核心功能详解

关键术语提示（Context-Aware Custom Vocabulary）

不同于传统自定义词表，Scribe v2 允许用户提交最多 100 个关键词或短语（如品牌名、专业术语、人名），并基于上下文智能判断是否应转录为该形式。
例如：输入 “AI” 时，若上下文涉及技术讨论，则保留为 “AI”；若为口语 “哎”，则不强制替换。

实体检测（Entity Detection）

支持 56 类敏感信息识别，包括：

• 个人身份信息（PII）：姓名、电话、地址
• 健康数据（PHI）：病历号、诊断结果
• 支付信息：银行卡号、交易金额

系统将自动标记这些实体，并提供精确到毫秒的时间戳，便于后续脱敏或合规审查。

智能多语言混合转录

上传包含多种语言的音频（如中英混杂访谈），Scribe v2 可自动检测语言切换点，并以对应语言分别转录，无需预先分段。

智能说话人分离

自动区分不同说话者，并分配直观标签（如“Speaker 1”、“Interviewee”），输出结构清晰的对话式转录文本。

词级时间戳

每个单词均附带精确说出时间，支持：

• 字幕精准同步
• 视频剪辑快速定位
• 交互式语音回放（点击文字跳转音频）

动态音频事件标记

除语音外，Scribe v2 还能识别并标注非语音声音事件，如：

• 笑声、咳嗽、掌声
• 键盘敲击、脚步声、门开关
• 音乐片段、电话铃声

这些标记以结构化方式嵌入转录结果，丰富音频上下文信息。

企业级合规与部署

Scribe v2 已通过多项国际认证：

• SOC 2 Type II
• ISO/IEC 27001
• PCI DSS Level 1
• HIPAA（医疗健康数据）
• GDPR（欧盟数据保护）

同时支持：

• 数据驻留：可选择将数据存储于欧盟或印度区域
• 零保留模式：处理完成后不保存原始音频或转录结果
• API 优先架构：便于集成到现有内容管理系统、工作流引擎或 AI 代理平台

适用场景