ElevenLabs Scribe v3 Live enseña a los agentes de voz a no interrumpir: un 25 % menos de errores

Imagina que llamas a una clínica y dictas el número de tu póliza. En el cuarto dígito te callas porque consultas la tarjeta. El bot decide que has terminado y responde animado: «No he oído bien, repita». ¿Te suena? El problema no es que el modelo de lenguaje sea tonto. La mayoría de los agentes de voz se apoyan en un temporizador rígido de silencio, y eso es justo lo que ElevenLabs intenta sustituir.

Qué han lanzado

La compañía presentó dos modelos de reconocimiento de voz. Scribe v3 está pensado para archivos de audio ya grabados, y Scribe v3 Live funciona en tiempo real con baja latencia. Ambos están disponibles a través de la API y de la plataforma ElevenAgents. Se diseñaron para audio «sucio»: en las reuniones la gente habla a la vez y en las llamadas hay ruido de calle.

Según ElevenLabs, Scribe v3 comete un 25 % menos de errores en palabras que la versión anterior, y esto se aplica a 102 idiomas. Por separado, la compañía destaca un avance notable en alemán. La diarización, es decir, determinar quién habla exactamente, es ahora más fiable en grupos grandes. En la versión Live funciona en tiempo real por primera vez.

Cómo entiende Live que has terminado de hablar

El esquema antiguo es sencillo: un silencio de más de N milisegundos significa que la intervención ha terminado. Si pones una N pequeña, el bot interrumpirá a quienes piensan o dictan cifras despacio. Si la pones grande, cada respuesta llegará con un retraso incómodo.

Scribe v3 Live no solo mira la señal de audio, sino también el contexto de la conversación. Si la persona dice «mi número es cuatro, ocho, uno…» y se calla, la frase claramente no ha terminado y la pausa no se considera el final del turno. Si dice «gracias, eso es todo», ya se puede responder. Este ejemplo es nuestro: ElevenLabs no revela en detalle cómo funciona el mecanismo.

Para un responsable de producto, esta es la parte principal de la noticia. Las interrupciones se consideran uno de los problemas más irritantes de las interfaces de voz, y de ellas depende que el cliente llegue a un resultado o cuelgue.

Hay también detalles agradables para los desarrolladores:

• se pueden cargar en el modelo miles de términos especializados, por ejemplo nombres de marcas o medicamentos, para que no los deforme;
• el formato de números y fechas se define con reglas en lenguaje natural;
• el modo multilingüe soporta un cambio de idioma en mitad de una frase;
• para clientes corporativos hay servidores aislados en la UE y un modo zero-retention, en el que los datos se eliminan inmediatamente tras la solicitud.

Qué mostró el benchmark independiente

Artificial Analysis confirmó que Scribe v3 está entre los modelos más precisos del mercado. Superó a las soluciones de Microsoft, Mistral, xAI, Google y OpenAI, y solo quedó por delante una versión preliminar de Alibaba. El precio en la prueba fue de 3,33 $ por 1000 minutos.

En velocidad y coste, ElevenLabs quedó a mitad de la lista. Los modelos de Microsoft y xAI funcionan varias veces más rápido, se equivocan solo un poco más y cuestan aproximadamente la mitad. Si transcribes enormes archivos de grabaciones y te importan el precio y la velocidad, la elección no es obvia.

La principal salvedad es que el benchmark mide solo errores en palabras en archivos grabados. No evaluó la diarización, los idiomas poco comunes ni el comportamiento de la versión Live. Por eso la promesa clave de la noticia, no interrumpir al interlocutor, por ahora solo la confirma la propia compañía.

El negocio alrededor de los modelos

Junto con los modelos, ElevenLabs amplía su línea corporativa. En colaboración con Nvidia, integra el modelo abierto Nemotron 3.5 Super VL en ElevenAgents, reserva capacidad de cómputo adicional en Nvidia y desarrolla el control por voz local de robots. Además, la compañía lanza un agente telefónico para el sistema sanitario de Polonia. Por separado se anunciaron una alianza con McKinsey, un programa ampliado para integradores de sistemas y un marketplace propio, en el que Salesforce, IBM y Zendesk ofrecen agentes de voz listos para usar.

Qué hacer con esto

Si estás construyendo un agente de voz para telefonía, prueba Live con tus grabaciones reales. Cuenta no solo la tasa de errores en palabras, sino también la frecuencia de interrupciones, porque es justo lo que los benchmarks públicos no miden. Si tu sector es la medicina, las finanzas u otro con terminología estricta, comprueba la carga del diccionario. Si te importa el cumplimiento de los requisitos europeos, fíjate en los servidores de la UE y en zero-retention. Y para la transcripción masiva de archivos, compara primero precio y velocidad: los modelos más baratos pueden ser más sensatos con una precisión casi igual.