ElevenLabs lance Scribe v3 et Scribe v3 Live : moins d'erreurs de transcription et l'identification des locuteurs en temps réel
ElevenLabs remplace ses modèles de transcription par Scribe v3, pour l'audio enregistré, et Scribe v3 Live, pour le direct. L'entreprise annonce 27 % d'erreurs en moins sur 102 langues, l'attribution des paroles à chaque locuteur en temps réel et une détection de fin de tour de parole qui tient compte du contexte.
Une transcription ratée coûte cher, parce que l’erreur se propage : dans le compte rendu, le résumé, puis l’action d’un agent. C’est l’argument d’ElevenLabs, qui a lancé le 10 novembre Scribe v3 et Scribe v3 Live, ses nouveaux modèles de reconnaissance vocale, l’un pour l’audio enregistré, l’autre pour le direct.
Qui a dit quoi, même en direct
Le changement le plus visible concerne la diarisation, c’est-à-dire l’attribution de chaque phrase au bon locuteur. Scribe v3 fait, selon l’entreprise, 17 % d’erreurs en moins que son prédécesseur sur les enregistrements à trois voix ou plus, ceux où la plupart des modèles échouent. Surtout, Scribe v3 Live l’apporte pour la première fois en temps réel : 3,1 % d’erreur sur la partie anglaise du jeu de test d’ElevenLabs, contre 5,9 % à 7,3 % pour les autres modèles temps réel testés.
Pour les agents vocaux, l’autre nouveauté est la détection de fin de tour. Les systèmes classiques attendent un silence : trop court, ils coupent la parole à qui hésite ; trop long, l’agent paraît lent. Scribe v3 Live tient compte du contexte de la conversation, si bien qu’un appelant qui marque une pause au milieu d’un numéro n’est pas interrompu. Le fournisseur d’énergie néerlandais Eneco, qui a testé le modèle sur son agent téléphonique, dit avoir reconnu les codes postaux du premier coup 40 % plus souvent.
Des chiffres maison, à vérifier
ElevenLabs annonce 27 % d’erreurs de mots en moins que Scribe v2 sur les 102 langues de sa version interne du test FLEURS, avec des progrès dans chaque langue, par exemple 23 % en anglais, 35 % en espagnol et 42 % en allemand. En temps réel, l’erreur « sémantique », qui ne compte que les fautes changeant le sens, baisse de 43 %. Le modèle accepte aussi jusqu’à 1 000 termes clés et des consignes de mise en forme en langage courant (« écris chaque date au format AAAA-MM-JJ »), et Scribe v3 Live gère les conversations qui passent d’une langue à l’autre en cours de phrase.
Ces résultats restent ceux de l’éditeur : FLEURS est un corpus de phrases lues dans de bonnes conditions, et le jeu de données réel d’ElevenLabs, en 16 langues, n’est pas encore public. L’entreprise promet de le publier prochainement. Aucun tarif n’est précisé dans l’annonce.
Notre lecture
La transcription devient l’étage critique des agents vocaux, et la bataille se joue désormais sur le temps réel : savoir qui parle et quand il a fini, plus que gagner un point de précision sur de l’audio propre. ElevenLabs avance des chiffres solides, mais tous mesurés par lui-même ; la publication promise de son jeu de test réel sera le vrai juge, d’autant que l’offre ouverte progresse aussi, comme l’a montré Nemotron 3.5 Transcribe chez NVIDIA. Pour les entreprises européennes, l’hébergement isolé dans l’UE et le mode sans conservation comptent autant que la précision.
Sources
- ElevenLabs — Introducing Scribe v3 and v3 Live, our most accurate speech to text models (10 novembre 2026) Source primaire
- ElevenLabs — documentation Transcription (Speech to Text) Source primaire
Une source primaire émane directement de l'entreprise, du laboratoire ou de l'organisme concerné. Une source secondaire rapporte l'information sans en être l'auteur : nous la signalons comme telle. Une erreur ? Consultez notre politique de correction.
