ElevenLabs выпустила Scribe v3 Live, чтобы голосовые агенты не перебивали собеседников

ElevenLabs выпустила Scribe v3 Live — модель распознавания речи, которая учитывает контекст разговора, чтобы голосовые агенты не принимали паузу собеседника за конец реплики. Об этом сообщает The Decoder.

Голосовые агенты часто ориентируются на заданную длительность паузы и перебивают человека, когда тот задумывается или медленно зачитывает последовательность цифр. Scribe v3 Live анализирует разговор в реальном времени.

Одновременно компания представила Scribe v3 для расшифровки аудиозаписей; обе модели уже доступны через интерфейс для разработчиков ElevenAPI и платформу ElevenAgents. По данным ElevenLabs, на 102 языках Scribe v3 допускает примерно на 25% меньше ошибок распознавания слов, чем предшественница.

Компания также заявляет, что Scribe v3 надёжнее определяет, кому принадлежит речь в больших групповых разговорах. В Scribe v3 Live эта функция впервые стала доступна в реальном времени.

В независимых тестах Artificial Analysis Scribe v3 уступила по точности только предварительной версии модели Alibaba. Однако модели Microsoft и xAI работали в разы быстрее и стоили примерно вдвое дешевле при чуть большем числе ошибок.

Тест оценивал только ошибки распознавания слов в записях. Он не учитывал ни точность определения говорящих, ни заявленные улучшения для редких языков, ни работу Scribe v3 Live в реальном времени.

В новых моделях также предусмотрены дополнительные возможности:

• Разработчики могут заранее передать моделям тысячи специализированных терминов, чтобы уменьшить число ошибок при распознавании отраслевой лексики.
• Правила записи чисел и дат можно задать на естественном языке.
• Многоязычный режим поддерживает переключение между языками внутри предложения; корпоративным клиентам доступны изолированные серверы в ЕС и режим без хранения данных, при котором данные удаляются сразу после каждого запроса.