ElevenLabs Scribe v3 Live apprend aux agents vocaux à ne pas couper la parole : 25 % d'erreurs en moins

Imaginez : vous appelez une clinique et dictez votre numéro de police. Au quatrième chiffre, vous vous taisez parce que vous consultez votre carte. Le bot estime que vous avez terminé et répond avec entrain : « Je n'ai pas compris, répétez, s'il vous plaît ». Familier ? Le problème n'est pas la bêtise du modèle de langage. La plupart des agents vocaux reposent sur un minuteur de silence rigide, et c'est précisément lui qu'ElevenLabs cherche à remplacer.

Ce qui a été lancé

L'entreprise a présenté deux modèles de reconnaissance vocale. Scribe v3 est conçu pour les fichiers audio déjà enregistrés, tandis que Scribe v3 Live fonctionne en temps réel avec une faible latence. Les deux sont disponibles via l'API et la plateforme ElevenAgents. Ils ont été conçus pour de l'audio « sale » : en réunion, les gens parlent en même temps ; lors des appels, la rue fait du bruit.

D'après ElevenLabs, Scribe v3 commet 25 % d'erreurs de mots en moins que la version précédente, et cela concerne 102 langues. L'entreprise signale séparément un progrès notable en allemand. La diarisation, c'est-à-dire l'identification de la personne qui parle, est devenue plus fiable dans les grands groupes. Dans la version Live, elle fonctionne pour la première fois en temps réel.

Comment Live comprend que vous avez fini

L'ancien schéma est simple : un silence supérieur à N millisecondes signifie que la réplique est terminée. Si N est petit, le bot coupera la parole à ceux qui réfléchissent ou dictent lentement des chiffres. Si N est grand, chaque réponse arrivera avec un délai gênant.

Scribe v3 Live ne regarde pas seulement le signal sonore, mais aussi le contexte de la conversation. Si la personne a dit « mon numéro est quatre, huit, un… » puis s'est tue, la phrase n'est manifestement pas terminée, et la pause n'est pas considérée comme la fin de la réplique. Si elle a dit « merci, c'est tout », on peut répondre. Cet exemple est de notre cru : ElevenLabs ne détaille pas le fonctionnement exact du mécanisme.

Pour un responsable produit, c'est l'essentiel de l'annonce. Les interruptions sont considérées comme l'un des problèmes les plus irritants des interfaces vocales, et c'est d'elles que dépend la réussite de l'appel ou le raccrochage du client.

Il y a aussi de petits plus pour les développeurs :

• on peut charger dans le modèle des milliers de termes spécialisés, par exemple des noms de marques ou de médicaments, pour qu'il ne les déforme pas ;
• le format des nombres et des dates se définit par des règles en langage courant ;
• le mode multilingue supporte un changement de langue en plein milieu d'une phrase ;
• pour les clients professionnels, il existe des serveurs isolés dans l'UE et un mode zero-retention, où les données sont supprimées immédiatement après la requête.

Ce qu'a montré le benchmark indépendant

Artificial Analysis a confirmé que Scribe v3 figure parmi les modèles les plus précis du marché. Il a devancé les solutions de Microsoft, Mistral, xAI, Google et OpenAI ; seul un modèle en préversion d'Alibaba arrive devant. Le prix dans le test s'élevait à 3,33 $ pour 1000 minutes.

En vitesse et en coût, ElevenLabs se situe au milieu du classement. Les modèles de Microsoft et de xAI sont plusieurs fois plus rapides, se trompent à peine plus souvent et coûtent environ moitié moins. Si vous transcrivez d'énormes archives d'enregistrements et que le prix et la vitesse comptent, le choix n'est pas évident.

La principale réserve est que le benchmark ne mesure que les erreurs de mots sur des fichiers enregistrés. Il n'a pas évalué la diarisation, les langues rares ni le comportement de la version Live. La promesse clé de l'annonce, ne pas couper la parole à l'interlocuteur, n'est donc pour l'instant confirmée que par l'entreprise elle-même.

Le business autour des modèles

Avec ces modèles, ElevenLabs élargit son activité auprès des entreprises. En partenariat avec Nvidia, elle intègre le modèle ouvert Nemotron 3.5 Super VL à ElevenAgents, réserve des capacités de calcul supplémentaires sur Nvidia et développe une commande vocale locale pour les robots. L'entreprise lance en outre un agent téléphonique pour le système de santé polonais. Une alliance avec McKinsey, un programme élargi pour les intégrateurs de systèmes et une place de marché propre ont également été annoncés. Salesforce, IBM et Zendesk y proposent des agents vocaux prêts à l'emploi.

Que faire de tout cela

Si vous construisez un agent vocal pour la téléphonie, testez Live sur vos enregistrements réels. Mesurez non seulement le taux d'erreurs de mots, mais aussi la fréquence des interruptions, car c'est précisément ce que les benchmarks publics ne mesurent pas. Si votre secteur est la médecine, la finance ou tout autre domaine à terminologie stricte, vérifiez le chargement du dictionnaire. Si la conformité aux exigences européennes compte, regardez du côté des serveurs dans l'UE et du zero-retention. Et pour la transcription massive d'archives, comparez d'abord le prix et la vitesse : des modèles moins chers peuvent être plus raisonnables pour une précision quasi identique.