Оригинальное название: ElevenLabs Scribe v3 Live uses conversational context to stop voice agents from cutting off callers mid-sentence
ElevenLabs представила две модели преобразования речи в текст: Scribe v3 для обработки записанных файлов и Scribe v3 Live для сценариев реального времени с низкой задержкой. Обе модели оптимизированы для таких ситуаций, как перебивание несколькими участниками и фоновый шум, и уже доступны на платформах ElevenAPI и ElevenAgents. По заявлению ElevenLabs, по сравнению с предыдущим поколением частота ошибок слов снизилась примерно на 25% для 102 языков, разделение говорящих в многолюдных диалогах стало более стабильным, а также впервые поддерживается разделение в реальном времени. Версия реального времени использует контекст диалога, чтобы определить, закончил ли говорящий свою мысль, что позволяет избежать перебивания пользователя во время пауз или медленного произнесения цифр. Согласно данным The Decoder, в тестах Artificial Analysis точность Scribe v3 превосходит модели Microsoft, Mistral, xAI, Google и OpenAI, уступая лишь одной предпросмотрной модели от Alibaba, однако скорость и цена находятся на среднем уровне: модели Microsoft и xAI работают значительно быстрее и стоят примерно вдвое дешевле.
Почему это важно Голосовые агенты часто перебивают пользователей во время пауз; версия реального времени использует контекст диалога, чтобы определить, закончил ли собеседник свою мысль, что напрямую решает эту проблему.
Достоверность: достаточно достоверно · Источник The Decoder · Время события 11-12 21:48 (пекинское время)
Обоснование
- Репортаж The Decoder со ссылкой на независимые тесты Artificial Analysis
Применение
- Разработчики могут вызывать модель через ElevenAPI или выбирать её при создании голосовых агентов на платформе ElevenAgents
Риски
- Данные об улучшении частоты ошибок слов предоставлены самой ElevenLabs
- Artificial Analysis тестировала только частоту ошибок слов для записанных файлов, не тестируя версию реального времени