ElevenLabs Scribe v3 Live ensina agentes de voz a não interromper: 25% menos erros

Imagine: você liga para uma clínica e dita o número da sua apólice. No quarto dígito, você se cala porque está olhando o cartão. O bot decide que você terminou e responde animado: «Não entendi, repita, por favor». Familiar? O problema não é a burrice do modelo de linguagem. A maioria dos agentes de voz se apoia em um temporizador rígido de silêncio, e é justamente ele que a ElevenLabs tenta substituir.

O que foi lançado

A empresa apresentou dois modelos de reconhecimento de fala. O Scribe v3 foi pensado para arquivos de áudio prontos, e o Scribe v3 Live funciona em tempo real, com baixa latência. Ambos estão disponíveis via API e na plataforma ElevenAgents. Foram criados para áudio «sujo»: em reuniões, as pessoas falam ao mesmo tempo; em ligações, há o barulho da rua.

Segundo a ElevenLabs, o Scribe v3 comete 25% menos erros de palavras do que a versão anterior, e isso vale para 102 idiomas. Separadamente, a empresa destaca um avanço notável no alemão. A diarização, isto é, a identificação de quem exatamente está falando, ficou mais confiável em grupos grandes. Na versão Live, ela funciona em tempo real pela primeira vez.

Como o Live entende que você terminou de falar

O esquema antigo é simples: silêncio por mais de N milissegundos significa que a fala acabou. Se N for pequeno, o bot vai interromper quem está pensando ou ditando números devagar. Se for grande, cada resposta chegará com um atraso constrangedor.

O Scribe v3 Live olha não só para o sinal sonoro, mas também para o contexto da conversa. Se a pessoa disse «meu número é quatro, oito, um…» e se calou, a frase claramente não terminou, e a pausa não é considerada o fim da fala. Se ela disse «obrigado, é só isso», já dá para responder. Esse exemplo é nosso: como exatamente o mecanismo funciona, a ElevenLabs não revela em detalhes.

Para quem cuida de produto, essa é a parte principal da notícia. As interrupções são consideradas um dos problemas mais irritantes das interfaces de voz, e delas depende se o cliente chega ao resultado ou desliga.

Há também pequenos agrados para desenvolvedores:

• é possível carregar no modelo milhares de termos especiais, como nomes de marcas ou medicamentos, para que ele não os distorça;
• o formato de números e datas é definido por regras em linguagem comum;
• o modo multilíngue sobrevive à troca de idioma no meio da frase;
• para clientes corporativos, há servidores isolados na UE e o modo zero-retention, em que os dados são apagados logo após a requisição.

O que mostrou o benchmark independente

A Artificial Analysis confirmou que o Scribe v3 está entre os modelos mais precisos do mercado. Ele superou as soluções de Microsoft, Mistral, xAI, Google e OpenAI, e só um modelo em prévia da Alibaba ficou à frente. O preço no teste foi de $3,33 por 1000 minutos.

Em velocidade e custo, a ElevenLabs ficou no meio da lista. Os modelos da Microsoft e da xAI funcionam várias vezes mais rápido, erram só um pouco mais e custam cerca de metade do preço. Se você transcreve enormes arquivos de gravações e preço e velocidade importam, a escolha não é óbvia.

A principal ressalva é que o benchmark mede apenas erros de palavras em arquivos gravados. Ele não avaliou diarização, idiomas raros nem o comportamento da versão Live. Por isso, a promessa central da notícia, não interromper o interlocutor, por ora só é confirmada pela própria empresa.

O negócio em torno dos modelos

Junto com os modelos, a ElevenLabs amplia a frente corporativa. Em parceria com a Nvidia, ela incorpora o modelo aberto Nemotron 3.5 Super VL ao ElevenAgents, reserva capacidade computacional adicional em Nvidia e desenvolve controle de voz local para robôs. Além disso, a empresa lança um agente telefônico para o sistema de saúde da Polônia. Foram anunciados ainda uma aliança com a McKinsey, um programa ampliado para integradores de sistemas e um marketplace próprio. Nele, Salesforce, IBM e Zendesk oferecem agentes de voz prontos.

O que fazer com isso

Se você está construindo um agente de voz para telefonia, rode o Live nas suas gravações reais. Meça não só a taxa de erros de palavras, mas também a frequência de interrupções, porque é justamente isso que os benchmarks públicos não medem. Se o seu setor é saúde, finanças ou qualquer outro com terminologia rígida, teste o carregamento do dicionário. Se a conformidade com exigências europeias é importante, observe os servidores na UE e o zero-retention. E, para a transcrição em massa de arquivos, compare primeiro preço e velocidade: modelos mais baratos podem ser mais sensatos com precisão quase igual.