ElevenLabs bringt Scribe v3 und Scribe v3 Live: weniger Transkriptionsfehler und Sprechererkennung in Echtzeit
ElevenLabs ersetzt seine Transkriptionsmodelle durch Scribe v3 für aufgezeichnetes Audio und Scribe v3 Live für Direktübertragungen. Das Unternehmen meldet 27 Prozent weniger Fehler in 102 Sprachen, die Zuordnung von Äußerungen zu einzelnen Sprechern in Echtzeit sowie eine kontextbasierte Sprecherwechsel-Erkennung.
Eine fehlerhafte Transkription ist teuer, denn der Fehler pflanzt sich fort: im Protokoll, in der Zusammenfassung und schließlich in den Aktionen eines Agenten. Genau darauf verweist ElevenLabs, das am 10. November mit Scribe v3 und Scribe v3 Live seine neuen Spracherkennungsmodelle gestartet hat – eines für aufgezeichnetes Audio, das andere für Livestreams.
Wer hat was gesagt, selbst im Livebetrieb
Die auffälligste Neuerung betrifft die Diarisierung, also die Zuordnung jedes Satzes zum jeweiligen Sprecher. Laut Unternehmensangaben macht Scribe v3 bei Aufnahmen mit drei oder mehr Stimmen – jenen Fällen, an denen die meisten Modelle scheitern – 17 Prozent weniger Fehler als sein Vorgänger. Vor allem aber bringt Scribe v3 Live diese Funktion erstmals in Echtzeit: 3,1 Prozent Fehlerquote auf dem englischen Teil des Testsets von ElevenLabs, gegenüber 5,9 Prozent bis 7,3 Prozent bei den anderen getesteten Echtzeitmodellen.
Für Sprachagenten ist die andere Neuerung die Erkennung des Sprecherwechsels. Klassische Systeme warten schlicht auf eine Pause: Ist sie zu kurz, unterbrechen sie zögernde Sprecher; ist sie zu lang, wirkt der Agent träge. Scribe v3 Live berücksichtigt den Gesprächskontext, sodass ein Anrufer, der mitten in einer Nummer kurz innehält, nicht abgeschnitten wird. Der niederländische Energieversorger Eneco, der das Modell an seinem Telefonagenten testete, berichtet, dass Postleitzahlen nun 40 Prozent häufiger direkt beim ersten Versuch korrekt erkannt wurden.
Eigene Zahlen, die erst noch überprüft werden müssen
ElevenLabs meldet 27 Prozent weniger Wortfehler als bei Scribe v2 über die 102 Sprachen seiner internen Version des FLEURS-Tests hinweg, mit Fortschritten in jeder Sprache, darunter 23 Prozent im Englischen, 35 Prozent im Spanischen und 42 Prozent im Deutschen. In Echtzeit sinkt der „semantische“ Fehler, bei dem nur sinnentstellende Abweichungen gezählt werden, um 43 Prozent. Das Modell verarbeitet zudem bis zu 1 000 Schlüsselbegriffe sowie Formatierungsanweisungen in natürlicher Sprache („schreibe jedes Datum im Format JJJJ-MM-TT“), und Scribe v3 Live beherrscht Gespräche, die mitten im Satz von einer Sprache in eine andere wechseln.
Diese Ergebnisse stammen vorerst allein vom Anbieter: FLEURS besteht aus unter kontrollierten Bedingungen abgelesenen Sätzen, und der reale Testdatensatz von ElevenLabs mit 16 Sprachen ist noch nicht öffentlich. Das Unternehmen verspricht eine baldige Veröffentlichung. Preise werden in der Ankündigung nicht genannt.
Unsere Einschätzung
Die Transkription wird zur kritischen Schicht für Sprachagenten, und die Schlacht entscheidet sich mittlerweile im Echtzeitbereich: zu wissen, wer spricht und wann jemand fertig ist, wiegt schwerer als der Gewinn eines weiteren Prozentpunkts Genauigkeit auf sauberem Ton. ElevenLabs liefert solide Zahlen, die jedoch allesamt selbst gemessen wurden; die versprochene Veröffentlichung des praxisnahen Testdatensatzes wird der eigentliche Prüfstein sein, zumal auch das offene Angebot aufholt, wie Nemotron 3.5 Transcribe von NVIDIA gezeigt hat. Für europäische Unternehmen zählen das isolierte Hosting in der EU und der Modus ohne Datenspeicherung ebenso viel wie die reine Präzision.
Quellen
- ElevenLabs — Introducing Scribe v3 and v3 Live, our most accurate speech to text models (10. November 2026) Primärquelle
- ElevenLabs — Dokumentation Transkription (Speech to Text) Primärquelle
Eine Primärquelle stammt direkt von dem betreffenden Unternehmen, Labor oder der Organisation. Eine Sekundärquelle gibt die Information wieder, ohne ihr Urheber zu sein: Wir kennzeichnen sie als solche. Einen Fehler entdeckt? Lesen Sie unsere Korrekturrichtlinie.
