ElevenLabs ra mắt mô hình nhận dạng giọng nói Scribe v3

ElevenLabs ra mắt hai mô hình chuyển giọng nói thành văn bản: Scribe v3 xử lý các tệp ghi âm, còn Scribe v3 Live dành cho các kịch bản thời gian thực với độ trễ thấp; cả hai đều được thiết kế để xử lý các tình huống như nhiều người nói chồng chéo và tiếng ồn nền, hiện đã có sẵn trên nền tảng ElevenAPI và ElevenAgents. ElevenLabs cho biết so với thế hệ trước, tỷ lệ lỗi từ (word error rate) đã giảm khoảng 25% trên 102 ngôn ngữ, việc phân tách người nói trong các cuộc hội thoại nhiều người trở nên ổn định hơn và lần đầu tiên hỗ trợ phân tách theo thời gian thực; phiên bản thời gian thực kết hợp ngữ cảnh hội thoại để xác định xem người nói đã kết thúc câu hay chưa, nhằm tránh ngắt lời người dùng khi họ tạm dừng hoặc đọc số chậm rãi. Theo The Decoder, trong các bài kiểm tra của Artificial Analysis, độ chính xác của Scribe v3 dẫn đầu so với Microsoft, Mistral, xAI, Google và OpenAI, chỉ xếp sau một mô hình thử nghiệm (preview) của Alibaba, nhưng tốc độ và giá cả ở mức trung bình, trong khi các mô hình của Microsoft và xAI nhanh hơn nhiều và có giá chỉ bằng khoảng một nửa.

Tiêu đề gốc: ElevenLabs Scribe v3 Live sử dụng ngữ cảnh hội thoại để ngăn các tác nhân giọng nói ngắt lời người gọi giữa câu

ElevenLabs ra mắt hai mô hình chuyển giọng nói thành văn bản: Scribe v3 xử lý các tệp ghi âm, còn Scribe v3 Live dành cho các kịch bản thời gian thực với độ trễ thấp; cả hai đều được thiết kế để xử lý các tình huống như nhiều người nói chồng chéo và tiếng ồn nền, hiện đã có sẵn trên nền tảng ElevenAPI và ElevenAgents. ElevenLabs cho biết so với thế hệ trước, tỷ lệ lỗi từ (word error rate) đã giảm khoảng 25% trên 102 ngôn ngữ, việc phân tách người nói trong các cuộc hội thoại nhiều người trở nên ổn định hơn và lần đầu tiên hỗ trợ phân tách theo thời gian thực; phiên bản thời gian thực kết hợp ngữ cảnh hội thoại để xác định xem người nói đã kết thúc câu hay chưa, nhằm tránh ngắt lời người dùng khi họ tạm dừng hoặc đọc số chậm rãi. Theo The Decoder, trong các bài kiểm tra của Artificial Analysis, độ chính xác của Scribe v3 dẫn đầu so với Microsoft, Mistral, xAI, Google và OpenAI, chỉ xếp sau một mô hình thử nghiệm (preview) của Alibaba, nhưng tốc độ và giá cả ở mức trung bình, trong khi các mô hình của Microsoft và xAI nhanh hơn nhiều và có giá chỉ bằng khoảng một nửa.

Tại sao quan trọng Các tác nhân giọng nói thường ngắt lời người dùng khi họ tạm dừng, phiên bản thời gian thực dựa vào ngữ cảnh hội thoại để xác định xem đối phương đã nói xong hay chưa, giải quyết trực tiếp vấn đề này.

Độ tin cậy: Khá đáng tin cậy · Nguồn The Decoder · Thời gian sự kiện 11-12 21:48 (giờ Bắc Kinh)

Lý do

  • The Decoder đưa tin, trích dẫn các bài kiểm tra độc lập của Artificial Analysis

Cách sử dụng

  • Các nhà phát triển có thể gọi qua ElevenAPI, hoặc chọn sử dụng khi xây dựng tác nhân giọng nói trên nền tảng ElevenAgents

Rủi ro

  • Cải thiện tỷ lệ lỗi từ là dữ liệu do chính ElevenLabs công bố
  • Artificial Analysis chỉ kiểm tra tỷ lệ lỗi từ trên các tệp ghi âm, chưa kiểm tra phiên bản thời gian thực

Mở

The Decoder

Xem tin AI mới nhất