ElevenLabs Scribe v3 Live учит голосовых агентов не перебивать: на 25% меньше ошибок

Представьте: вы звоните в клинику и диктуете номер полиса. На четвёртой цифре вы замолкаете, потому что подсматриваете в карточку. Бот решает, что вы закончили, и бодро отвечает: «Не расслышал, повторите». Знакомо? Дело не в глупости языковой модели. Большинство голосовых агентов опираются на жёсткий таймер тишины, и именно его ElevenLabs пытается заменить.

Что выпустили

Компания представила две модели распознавания речи. Scribe v3 рассчитана на готовые аудиофайлы, Scribe v3 Live работает в реальном времени с низкой задержкой. Обе доступны через API и платформу ElevenAgents. Их делали под «грязное» аудио: на встречах люди говорят одновременно, на звонках шумит улица.

По заявлению ElevenLabs, Scribe v3 делает на 25% меньше ошибок в словах, чем предыдущая версия, и это относится к 102 языкам. Отдельно компания отмечает заметный прогресс в немецком. Диаризация, то есть определение того, кто именно говорит, стала надёжнее в больших группах. В Live-версии она впервые работает в реальном времени.

Как Live понимает, что вы договорили

Старая схема проста: тишина дольше N миллисекунд значит, что реплика закончена. Поставите N маленьким, и бот будет перебивать тех, кто думает или медленно диктует цифры. Поставите большим, и каждый ответ будет приходить с неловкой задержкой.

Scribe v3 Live смотрит не только на звуковой сигнал, но и на контекст разговора. Если человек произнёс «мой номер четыре, восемь, один…» и замолчал, фраза явно не закончена, и пауза не считается концом реплики. Если он сказал «спасибо, это всё», отвечать уже можно. Этот пример наш: как именно устроен механизм, ElevenLabs подробно не раскрывает.

Для продакта это главная часть новости. Перебивания считаются одной из самых раздражающих проблем голосовых интерфейсов, и от них зависит, дозвонится ли клиент до результата или бросит трубку.

Есть и приятные мелочи для разработчиков:

• в модель можно загрузить тысячи специальных терминов, например названия брендов или лекарств, чтобы она их не коверкала;
• формат чисел и дат задаётся правилами на обычном языке;
• мультиязычный режим переживает смену языка прямо посреди предложения;
• для корпоративных клиентов есть изолированные серверы в ЕС и режим zero-retention, при котором данные удаляются сразу после запроса.

Что показал независимый бенчмарк

Artificial Analysis подтвердил, что Scribe v3 входит в число самых точных моделей на рынке. Она обошла решения Microsoft, Mistral, xAI, Google и OpenAI, а впереди оказалась только превью-модель Alibaba. Цена в тесте составила $3,33 за 1000 минут.

По скорости и стоимости ElevenLabs оказалась в середине списка. Модели Microsoft и xAI работают в разы быстрее, ошибаются лишь немного чаще и стоят примерно вдвое дешевле. Если вы транскрибируете огромные архивы записей и вам важны цена и скорость, выбор не очевиден.

Главная оговорка в том, что бенчмарк измеряет только ошибки в словах на записанных файлах. Диаризацию, редкие языки и поведение Live-версии он не проверял. Поэтому ключевое обещание новости, не перебивать собеседника, пока подтверждает только сама компания.

Бизнес вокруг моделей

Вместе с моделями ElevenLabs расширяет корпоративное направление. В партнёрстве с Nvidia она встраивает открытую модель Nemotron 3.5 Super VL в ElevenAgents, закрепляет дополнительные вычислительные мощности на Nvidia и разрабатывает локальное голосовое управление роботами. Кроме того, компания запускает телефонного агента для системы здравоохранения Польши. Отдельно объявлены альянс с McKinsey, расширенная программа для системных интеграторов и собственный маркетплейс. На нём Salesforce, IBM и Zendesk предлагают готовых голосовых агентов.

Что с этим делать

Если вы строите голосового агента для телефонии, прогоните Live на своих реальных записях. Считайте не только долю ошибок в словах, но и частоту перебиваний, потому что именно её публичные бенчмарки не измеряют. Если ваша сфера медицина, финансы или любая другая с жёсткой терминологией, проверьте загрузку словаря. Если важно соответствие европейским требованиям, обратите внимание на серверы в ЕС и zero-retention. А для массовой расшифровки архивов сначала сравните цену и скорость: более дешёвые модели могут оказаться разумнее при почти той же точности.