ElevenLabs veröffentlicht Scribe v3 für Aufnahmen und Live-Gespräche

ElevenLabs hat am 10. November zwei neue KI-Modelle vorgestellt, die gesprochene Sprache in Text umwandeln. Scribe v3 verarbeitet fertige Aufnahmen, Scribe v3 Live schreibt während des Gesprächs mit. Die Live-Version kennzeichnet erstmals, wer gerade spricht, und soll bei Sprechpausen besser erkennen, ob jemand mit seinem Redebeitrag fertig ist.

Weniger Wortfehler in deutschen Aufnahmen

In der FLEURS-Auswertung von ElevenLabs sank die Wortfehlerrate bei deutschen Aufnahmen von 3,7% mit Scribe v2 auf 2,1% mit Scribe v3. Auch sinnverändernde Fehler gingen zurück. Hier sank die Quote von 1,1% auf 0,6%.

Über alle 102 getesteten Sprachen lag die Wortfehlerrate bei 12,4%, gegenüber 17,0% bei Scribe v2 und 18,5% bei Gemini 3.5 Transcribe. Für den Vergleich mit Anbietern wie OpenAI und Deepgram wertete ElevenLabs jeweils nur die Sprachen aus, die beide verglichenen Modelle unterstützen.

Für die Sprecherzuordnung nutzte ElevenLabs einen eigenen Datensatz mit Meetings, Anrufen bei Sprachagenten und Sprachnotizen in 16 Sprachen. Bei Aufnahmen mit mindestens drei Sprechern sank die Fehlerquote von 9,6% mit Scribe v2 auf 8,0% mit Scribe v3.

Scribe v3 Live markiert Sprecher schon im Gespräch

Bei englischen Aufnahmen kam Scribe v3 Live im Test zur Sprecherzuordnung auf eine Fehlerquote von 3,1%. Die drei getesteten Konkurrenzmodelle lagen zwischen 5,9% und 7,3%. Für diesen Test glich ElevenLabs die Transkripte vor der Auswertung mit der Vorlage ab und bewertete damit die Sprecherzuordnung getrennt von der Worterkennung.

Auch bei der Worterkennung legte das Live-Modell zu. Im Vergleich zu Scribe v2 Realtime sank die Quote sinnverändernder Fehler auf Deutsch von 1,9% auf 1,4%. Auf Griechisch ging sie von 9,9% auf 2,3% zurück.

Für Sprachagenten berücksichtigt Scribe v3 Live den Gesprächsverlauf, wenn es das Ende eines Redebeitrags vorhersagt. So kann der Agent abwarten, wenn ein Anrufer beim Vorlesen einer Telefonnummer kurz stockt. Ein mehrsprachiger Modus ist für Gespräche gedacht, in denen jemand mitten im Satz die Sprache wechselt. Für Produktnamen oder Fachbegriffe können Entwickler ein eigenes Wörterverzeichnis hinterlegen, auf das Scribe v3 Live bei passenden Lautfolgen zugreift.

Beide Modelle sind über die ElevenLabs-API verfügbar. Scribe v3 Live steht außerdem in ElevenAgents zur Auswahl.