ElevenLabs 推出语音转文本模型 Scribe，多语言支持与高精度

ElevenLabs 是一家专注于人工智能音频生成的初创公司，最近筹集了 1.8 亿美元的资金，估值达到 33 亿美元。以其高质量的声音合成技术而闻名，该公司现在正通过推出其首个独立的语音转文本模型 Scribe，进一步扩展其技术领域。这一举措标志着 ElevenLabs 进入了语音检测市场，与 Gladia、Speechmatics、AssemblyAI、Deepgram 和 OpenAI 的 Whisper 模型等公司展开竞争。

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

Scribe 的核心特点

1. 多语言支持

• 支持超过 99 种语言：Scribe 在发布时提供了对全球多种语言的支持，使其成为一款适用于国际市场的强大工具。
• 卓越准确度类别（词错误率 < 5%）：
  • 包括英语（声称准确率高达 97%）、法语、德语、印地语、印度尼西亚语、日语、卡纳达语、马拉雅拉姆语、波兰语、葡萄牙语、西班牙语和越南语。
• 其他语言分类：
  • 高（5-10%）
  • 良好（10-20%）
  • 中等（25-50%）

2. 性能优越

• 在 FLEURS 和 Common Voice 基准测试 中，Scribe 在多种语言上的表现优于 Google Gemini 2.0 Flash 和 Whisper Large V3，展示了其在语音转文本领域的竞争力。

3. 智能功能

• 说话人分离：能够区分不同扬声器的声音，帮助用户了解谁在说话。
• 单词级别时间戳：提供精确到单词级别的字幕时间戳，便于后续编辑和分析。
• 声音事件标记：自动标记观众笑声等非语言声音事件，为转录内容增加更多上下文信息。

4. 应用场景

• 视频字幕生成：客户可以直接通过 ElevenLabs 的工作室平台转录音频并添加字幕或说明文字。
• 实时版本计划：虽然当前仅支持预先录制的音频格式，但 ElevenLabs 表示将很快推出低延迟的实时版本，以支持会议转录和语音笔记等功能。

定价策略

Scribe 的定价为 每小时转录音频 0.40 美元，在市场中具有一定的竞争力。然而，部分竞争对手目前提供的价格更低，尽管在功能上可能存在差异。例如：

• Whisper：OpenAI 提供的开源模型，适合需要自定义部署的用户。
• Speechmatics：提供多种定价方案，包括按需计费和企业级订阅。