ElevenLabs lanza Scribe v3 y Scribe v3 Live: menos errores de transcripción e identificación de interlocutores en tiempo real
ElevenLabs sustituye sus modelos de transcripción por Scribe v3, para audio grabado, y Scribe v3 Live, para directo. La empresa anuncia un 27% menos de errores en 102 idiomas, la atribución de intervenciones a cada interlocutor en tiempo real y una detección de fin de turno de palabra adaptada al contexto.
Una transcripción fallida sale cara, porque el error se propaga: al acta, al resumen y, después, a la acción de un agente. Ese es el argumento de ElevenLabs, que lanzó el 10 de noviembre Scribe v3 y Scribe v3 Live, sus nuevos modelos de reconocimiento de voz, uno para audio grabado y el otro para directo.
Quién dijo qué, incluso en directo
El cambio más visible afecta a la diarización, es decir, la atribución de cada frase al interlocutor correspondiente. Scribe v3 comete, según la empresa, un 17% menos de errores que su predecesor en grabaciones con tres o más voces, aquellas en las que la mayoría de los modelos fallan. Sobre todo, Scribe v3 Live lo ofrece por primera vez en tiempo real: un 3,1% de error en la parte en inglés del conjunto de pruebas de ElevenLabs, frente al 5,9%-7,3% de los demás modelos de tiempo real analizados.
Para los agentes de voz, la otra novedad es la detección de fin de turno. Los sistemas tradicionales esperan un silencio: si es demasiado breve, cortan la palabra a quien duda; si es demasiado largo, el agente parece lento. Scribe v3 Live tiene en cuenta el contexto de la conversación, de modo que si un interlocutor hace una pausa en mitad de un número, no se le interrumpe. El proveedor de energía neerlandés Eneco, que probó el modelo en su agente telefónico, afirma haber reconocido los códigos postales al primer intento un 40% más a menudo.
Cifras de la casa, pendientes de verificación
ElevenLabs anuncia un 27% menos de errores de palabras que Scribe v2 en los 102 idiomas de su versión interna del test FLEURS, con avances en cada lengua, por ejemplo un 23% en inglés, un 35% en español y un 42% en alemán. En tiempo real, el error «semántico», que solo contabiliza los fallos que alteran el significado, cae un 43%. El modelo admite asimismo hasta 1.000 términos clave e instrucciones de formato en lenguaje natural («escribe cada fecha en formato AAAA-MM-DD»), y Scribe v3 Live gestiona las conversaciones que cambian de un idioma a otro a mitad de frase.
Estos resultados proceden en todo caso de la empresa: FLEURS es un corpus de frases leídas en condiciones óptimas, y el conjunto de datos reales de ElevenLabs, en 16 idiomas, aún no es público. La compañía promete publicarlo próximamente. El anuncio no detalla tarifas.
Nuestro análisis
La transcripción se está convirtiendo en el eslabón crítico de los agentes de voz, y la batalla se libra ahora en el tiempo real: saber quién habla y cuándo ha terminado importa más que ganar un punto de precisión sobre audio limpio. ElevenLabs presenta cifras sólidas, pero todas medidas por sí misma; la prometida publicación de su conjunto de pruebas real será la auténtica prueba de fuego, sobre todo cuando la oferta abierta también avanza, como demostró Nemotron 3.5 Transcribe de NVIDIA. Para las empresas europeas, el alojamiento aislado en la UE y el modo sin retención de datos pesan tanto como la precisión.
Fuentes
- ElevenLabs — Introducing Scribe v3 and v3 Live, our most accurate speech to text models (10 de noviembre de 2026) Fuente primaria
- ElevenLabs — documentación Transcription (Speech to Text) Fuente primaria
Una fuente primaria procede directamente de la empresa, el laboratorio o la organización implicados. Una fuente secundaria recoge la información sin ser su autora: la señalamos como tal. ¿Has visto un error? Consulta nuestra política de correcciones.
