شرکت ElevenLabs دو مدل تازه‌ی تبدیل گفتار به متن معرفی کرده است: «Scribe v3» برای فایل‌های ضبط‌شده و «Scribe v3 Live» برای رونویسی زنده. اطلاعیه‌ی رسمی ElevenLabs روز سه‌شنبه ۱۹ آبان ۱۴۰۵ (۱۰ نوامبر ۲۰۲۶) منتشر شد و می‌گوید Scribe v3 در ۱۰۲ زبان ۲۷ درصد کمتر از نسخه‌ی قبل واژه را غلط می‌نویسد. نسخه‌ی Live هم برای نخستین بار گوینده‌ها را زنده از هم جدا می‌کند و می‌فهمد حرف طرف کی تمام شده است.
دو مدل، دو کار
Scribe v3 برای وقتی است که فایل صدا یا ویدیو آماده است: جلسه‌ی ضبط‌شده، مصاحبه، پادکست. این مدل برای صدای شلوغ ساخته شده؛ جایی که چند نفر روی حرف هم می‌پرند یا پس‌زمینه پر از نویز است.
برای انجام عملیِ همین کار می‌توانی از ابزار صدا به متن در هوش نو استفاده کنی.
Scribe v3 Live برای کار زنده است، مثل ایجنت صوتی که پشت تلفن جواب مشتری را می‌دهد. اینجا تندی مهم‌تر است، چون مدل باید همان لحظه بفهمد طرف چه گفت.
عددهایی که ElevenLabs داده است
| مورد | Scribe v3 | Scribe v3 Live |
|---|---|---|
| کاهش خطای واژه نسبت به نسل قبل | ۲۷ درصد | ۳۱ درصد (۴۳ درصد در خطای معنایی) |
| تعداد زبان‌های سنجیده‌شده | ۱۰۲ | ۱۰۲ |
| جداکردن گوینده‌ها | ۱۲ درصد خطای کمتر | برای نخستین بار، زنده |
| شناسه در API | scribe_v3 | scribe_v3_live |
بهبود در همه‌ی زبان‌ها یکسان نیست. در فایل ضبط‌شده، آلمانی ۴۲ درصد، اسپانیایی ۳۵ درصد و انگلیسی ۲۳ درصد بهتر شده است. در حالت زنده، یونانی ۷۷ درصد، دانمارکی ۵۴ درصد و هندی ۳۶ درصد. این سنجش‌ها روی مجموعه‌ی FLEURS انجام شده که ۱۰۲ زبان دارد. اطلاعیه نام تک‌تک زبان‌ها را نیاورده و درباره‌ی فارسی عدد جدایی نداده است.
چرا ایجنت صوتی وسط حرف آدم می‌پرد؟
ایجنت‌های صوتی معمولا با یک زمان‌سنج ساده کار می‌کنند: اگر مثلا نیم ثانیه ساکت شدید، فرض می‌کنند حرفتان تمام شده و شروع به جواب‌دادن می‌کنند. ولی آدم وسط جمله هم مکث می‌کند؛ برای فکرکردن، برای پیداکردن شماره‌ی سفارش. نتیجه این می‌شود که ایجنت حرف مشتری را قطع می‌کند.
به گزارش The Decoder نسخه‌ی Live به‌جای تکیه بر مکث، به معنای گفتگو هم نگاه می‌کند. اگر جمله هنوز ناتمام است، صبر می‌کند، حتی اگر گوینده ساکت شده باشد. ElevenLabs می‌گوید این همان روشی است که در پلتفرم ElevenAgents به کار می‌رفت و حالا برای توسعه‌دهنده‌ها از راه API هم باز شده است. درباره‌ی این پلتفرم در خبر Campaign Manager نوشته بودیم.
ابزارهای تازه برای توسعه‌دهنده‌ها
- واژه‌های کلیدی: می‌شود تا ۱۰۰۰ واژه‌ی ویژه مثل نام برند، کوته‌نوشت یا نام دارو را به Scribe v3 داد تا درست بنویسد. نسخه‌ی Live یک کتابخانه با هزاران واژه می‌پذیرد و فقط وقتی چیزی شبیه آن‌ها بشنود سراغش می‌رود.
- قاعده‌ی نوشتن: می‌شود با جمله‌ی ساده گفت تاریخ‌ها یا عددها چطور نوشته شوند؛ مثلا عدد با رقم بیاید یا با حروف.
- حالت چندزبانه: اگر گوینده وسط جمله زبانش را عوض کند، مدل زنده گیج نمی‌شود.
- نسخه‌ی پزشکی: برای تیم‌های درمانی، نسخه‌ای ویژه‌ی گفتگوهای پزشکی در ElevenAgents آمده است.
حریم خصوصی
مدل‌ها به‌طور پیش‌فرض در آمریکا اجرا می‌شوند. برای مشتری‌های سازمانی، محیط‌های جدا در اروپا، هند و سنگاپور هم هست. حالتی به نام «Zero Retention» هم وجود دارد که صدا و متن را بلافاصله بعد از پایان درخواست پاک می‌کند.
سنجش مستقل: دقیق، ولی نه ارزان‌ترین
The Decoder به سنجش Artificial Analysis اشاره می‌کند: Scribe v3 میان دقیق‌ترین مدل‌های رونویسی است و بالاتر از مدل‌های مایکروسافت، Mistral، xAI، گوگل و OpenAI ایستاده؛ فقط یک مدل پیش‌نمایش علی‌بابا از آن دقیق‌تر بوده است. در عوض کندتر و گران‌تر از بعضی رقیب‌هاست. قیمتش در این سنجش ۳٫۳۳ دلار برای هر ۱۰۰۰ دقیقه آمده، در حالی که مدل‌های مایکروسافت و xAI با خطای کمی بیشتر، چند برابر تندتر و تقریبا نصف قیمت‌اند. این سنجش فقط خطای واژه در فایل ضبط‌شده را می‌سنجد و درباره‌ی نسخه‌ی Live یا جداکردن گوینده‌ها چیزی نمی‌گوید.
بازار رونویسی این روزها شلوغ است. پیش‌تر Voxtral 3 از Mistral و مدل باز Nemotron 3.5 Transcribe را معرفی کرده بودیم که هر دو روی قیمت پایین دست گذاشته‌اند.
این یعنی چه برای کاربر فارسی‌زبان؟
ElevenLabs می‌گوید مدل در ۱۰۲ زبان سنجیده شده، ولی برای فارسی عدد جدایی نداده است؛ پس پیش از تکیه بر آن برای کار جدی، با چند فایل فارسی خودتان امتحانش کنید. این خبر بیشتر به کار توسعه‌دهنده‌ها و شرکت‌هایی می‌آید که ایجنت تلفنی می‌سازند. اگر کار شما برعکس است و می‌خواهید متن فارسی را به صدای طبیعی تبدیل کنید، بخش گویندگی فارسی هوش‌نو در ابزارهای هوش‌نو هست.
منبع‌ها
سؤالات متداول
فرق Scribe v3 با Scribe v3 Live چیست؟
اولی برای فایل ضبط‌شده است و دومی برای رونویسی زنده با تأخیر کم، مثل ایجنت صوتی.
Scribe v3 فارسی را پشتیبانی می‌کند؟
اطلاعیه از ۱۰۲ زبان حرف می‌زند ولی نام فارسی و عدد دقت آن را جدا نیاورده است.
چطور می‌شود به مدل تازه رفت؟
در API کافی است شناسه‌ی مدل به scribe_v3 یا scribe_v3_live عوض شود. در اپ ElevenLabs هر دو پیش‌فرض شده‌اند.
