ElevenLabs Scribe v3: أخطاء أقل بنسبة 27% في تفريغ الكلام وتمييز المتحدثين مباشرةً

يبدأ أي منتج صوتي من النص المفرَّغ. فإذا تحولت كلمة «خمسة عشر» فيه إلى «خمسين»، فسيصل الخطأ إلى الملخص ونظام CRM ونموذج التحليل، وسيكون إصلاحه هناك أغلى بأضعاف. أطلقت ElevenLabs نموذجي Scribe v3 وScribe v3 Live، وهما نموذجان للتعرف على الكلام صُمّما للفوضى الحقيقية: مشاركون في مكالمة يقاطع بعضهم بعضًا، وعميل يصمت في منتصف رقم هاتف، ومتحدثان يتحدث كلٌّ منهما بلغة ليست لغته الأم.

ما الذي تغيّر

صُمّم Scribe v3 للصوت المسجَّل. وبحسب الشركة، يرتكب عبر 102 لغة أخطاء لفظية أقل بنسبة 27% من Scribe v2، وتحسّن في كل لغة خضعت للاختبار. تحسّنت الألمانية بنسبة 42%، والإسبانية 35%، والإنجليزية 23%، والسواحيلية 34%، والتاميلية 29%، والتايلاندية 28%. وأصبح تمييز المتحدثين (الدياريزيشن، أي تحديد «من قال ماذا») أدق بنسبة 12% إجمالًا، وبنسبة 17% في التسجيلات التي يشارك فيها ثلاثة أشخاص أو أكثر. وفي هذه التسجيلات تحديدًا تتعثر معظم النماذج.

أما Scribe v3 Live فهو النسخة المتدفقة منخفضة التأخير. يرتكب أخطاء أقل بنسبة 43% وفق مقياس WER الدلالي (الذي يعدّ خطأً ما يغيّر المعنى فقط) مقارنةً بـ Scribe v2 Realtime. وفيه ميزتان رئيسيتان. الأولى تمييز المتحدثين في الوقت الفعلي: 3.1% أخطاء على الجزء الإنجليزي من مجموعة بيانات الشركة الخاصة، مقابل 5.9–7.3% لدى النماذج المتدفقة الأخرى. والثانية تحسين تحديد نهاية الجملة.

ينتظر وكيل الصوت التقليدي توقفًا بمدة محددة. فإذا كان المؤقّت قصيرًا قاطع شخصًا توقف للتفكير في منتصف رقم بطاقة. وإذا كان طويلًا بدا الوكيل بطيئًا. يأخذ Scribe v3 Live في الحسبان الصمت وسياق الحديث معًا، ولذلك لا يُعدّ التوقف داخل الرقم نهايةً للجملة. وكان المنطق نفسه يعمل أصلًا في ElevenAgents، والآن يمكن تفعيله عبر واجهة API (المعامل commitStrategy بالقيمة turn_prediction).

وهناك أيضًا تحكم أكبر في النتيجة. يقبل Keyterm prompting حتى 1000 مصطلح يُرجَّح أن ترد في الحديث: أسماء علامات تجارية واختصارات ومصطلحات متخصصة. ويمكن إرجاع الأرقام بالأرقام أو بالكلمات. وتُحدَّد قواعد التنسيق بلغة عادية، مثل «اكتب كل التواريخ بصيغة YYYY-MM-DD». وأضيف إلى Live وضع متعدد اللغات للمحادثات التي تتغير فيها اللغة في منتصف الجملة، مثل الهندية مع الإنجليزية. كما توجد فيه مكتبة keyterm library تضم آلاف المصطلحات المحتمل ورودها، ولا يرجع إليها النموذج إلا إذا سمع تطابقًا محتملًا. وهذا مناسب لكتالوج المنتجات أو قائمة الأدوية.

كم تكلّف بضع نقاط مئوية

النسب المئوية في بيانات الإصدارات يصعب تصوّرها، لذلك تترجمها ElevenLabs إلى دقائق. ساعة اجتماع بمعدل 150 كلمة في الدقيقة تعني نحو 9000 كلمة. والفرق بين 4% و2% في WER يعني 180 كلمة خاطئة، أي ثلاث كلمات في كل دقيقة من الكلام. ويُقاس تمييز المتحدثين بالزمن: كل نقطة خطأ تعني 36 ثانية من الكلام منسوبة إلى اسم غير صاحبها.

يتوقف ثمن الخطأ على موضعه. ففي تفريغ بودكاست تكون الكلمة الخاطئة مجرد خطأ مطبعي. أما في تقرير الأرباح فإن «خمسة عشر» المسموعة «خمسين» ستدخل في نموذج المحلل. كما تتركز الأخطاء في الأسماء والأرقام والاختصارات والمصطلحات المتخصصة، أي حيث يحتاج المُلخِّص أو الوكيل إلى أقصى دقة.

مثال عملي: اختبرت شركة الطاقة الهولندية Eneco (أكثر من مليوني عميل) نموذج Scribe v3 Live في وكيلها الصوتي على مكالمات حقيقية. فتحسّن التعرف على الرموز البريدية الهولندية من المحاولة الأولى بنسبة 40%، وعلى أرقام المنازل بنسبة 15%.

تحفظات وما ينبغي فعله

جميع الأرقام هي قياسات ElevenLabs نفسها. وقد حُسبت الدقة متعددة اللغات على نسخة داخلية من FLEURS، وهي مجموعة كلام مقروء قصير ونظيف، بعيدة عن ضجيج مراكز الاتصال. وفي تمييز المتحدثين، جمعت الشركة مجموعة بيانات خاصة بها من اجتماعات حقيقية ومكالمات وكلاء وملاحظات صوتية بـ16 لغة، وتعد بفتحها «قريبًا». وما دامت مغلقة، يتعذر التحقق المستقل من النتائج. إضافة إلى ذلك، حُسب متوسط الأخطاء بالتساوي بين اللغات، بينما تدمج منشورات كثيرة جميع المقاطع في مقياس واحد، ولذلك فإن المقارنة المباشرة بأرقام الآخرين غير سليمة. كما لا تصح مقارنة تمييز المتحدثين في الوقت الفعلي بنظيره في المعالجة الدفعية، لأن منهجية الحساب مختلفة.

والخلاصة العملية بسيطة. إذا كنتم تستخدمون Scribe v2، فالانتقال يتطلب سطرًا واحدًا: النموذج scribe_v3 أو scribe_v3_live. لكن لا تأخذوا النسب المئوية على محمل التسليم. خذوا من 50 إلى 100 تسجيل حقيقي لديكم، خاصة التي تحوي أرقامًا وأسماءً وتبديلًا بين اللغات، وقارنوا بمقياسكم أنتم. وعلى الفرق التي تعمل بوكلاء صوتيين أن تحسب مسبقًا عدد مرات مقاطعة الوكيل للناس وخلطه للأرقام: ففي هذا بالذات يكون المكسب أوضح ما يكون.

وللمؤسسات مزايا إضافية. افتراضيًا تُعالَج البيانات في الولايات المتحدة، لكن تتوافر بيئات معزولة في الاتحاد الأوروبي والهند وسنغافورة، ووضع Zero Retention الذي يحذف الصوت والنص فور الطلب، وشهادات SOC 2 وISO 27001 وPCI DSS Level 1، وHIPAA مع BAA، والنشر الخاص. وللقطاع الصحي تطلق الشركة أيضًا نسخة Live مُحسَّنة للمحادثات الطبية.