原題:ElevenLabs Scribe v3 Live uses conversational context to stop voice agents from cutting off callers mid-sentence
ElevenLabs は2つの音声テキスト変換モデルを発表しました。Scribe v3 は録音ファイルの処理用、Scribe v3 Live は低遅延のリアルタイムシーン向けで、いずれも複数人による発言の重複や背景ノイズなどの状況に対応しており、ElevenAPI および ElevenAgents プラットフォームで利用可能です。ElevenLabs によれば、前世代と比較して 102 言語における単語誤り率が約 25% 低下し、複数人会話における話者分離がより安定し、リアルタイム分離を初めてサポートしました。リアルタイム版は会話の文脈を活用して話者が発言を終えたかどうかを判断するため、ユーザーが一時的に停止したり、数字をゆっくり読み上げたりする際に割り込むことを防ぎます。The Decoder によると、Artificial Analysis のテストでは Scribe v3 の精度が Microsoft、Mistral、xAI、Google、OpenAI を上回り、Alibaba のプレビューモデルに次ぐ結果となりましたが、速度と価格は中間的な水準であり、Microsoft と xAI のモデルはより高速で、価格は約半分です。
なぜ重要か 音声エージェントはユーザーが一時停止した際によく割り込みますが、リアルタイム版は会話の文脈に基づいて相手が発言を終えたかどうかを判断することで、この問題に直接対処しています。
信頼性:比較的高い · 出典 The Decoder · イベント日時 11-12 21:48(北京時間)
理由
- The Decoder が報道し、Artificial Analysis の独立したテストを引用しています
用途
- 開発者は ElevenAPI を通じて呼び出すか、ElevenAgents プラットフォームで音声エージェントを構築する際に選択できます
リスク
- 単語誤り率の改善は ElevenLabs 自身のデータに基づいています
- Artificial Analysis は録音ファイルの単語誤り率のみをテストし、リアルタイム版はテストしていません