ElevenLabsが「Scribe v3」および「Scribe v3 Live」を発表：文字起こし精度の向上とリアルタイム話者分離を実現

文字起こしの失敗は高くつく。議事録から要約、さらにはAIエージェントの行動へと誤りが連鎖するためだ。この課題を背景に、ElevenLabsは11月10日、新たな音声認識モデルScribe v3およびScribe v3 Liveを発表した。前者は録音音声向け、後者はリアルタイム音声向けとなっている。

リアルタイムでも「誰が何を話したか」を特定

最も顕著な進化は、各発言を正しい話者に割り当てるダイアライゼーションにある。同社によれば、Scribe v3は多くのモデルが苦戦する3人以上の録音において、前モデルと比べて誤りを17%削減した。さらにScribe v3 Liveでは、同社初となるリアルタイムでのダイアライゼーションを実現した。ElevenLabsのテストセット（英語）における誤り率は3.1%で、テスト対象となった他のリアルタイムモデル（5.9%〜7.3%）を上回る結果を示した。

音声エージェントにとって、もう一つの重要な新機能が発話終了（ターンテイキング）の検知だ。従来のシステムは無音時間に基づいて判定していたが、設定が短すぎれば話者の言い淀みで言葉を遮り、長すぎればエージェントの応答が遅く感じられてしまう。Scribe v3 Liveは会話の文脈を考慮するため、発信者が番号を読み上げる途中で一息入れても発言を遮らない。このモデルを電話窓口エージェントでテストしたオランダのエネルギー企業Enecoは、郵便番号の一発認識率が40%向上したと述べている。

自社検証の数値、第三者評価はこれから

ElevenLabsは、社内版FLEURSテスト（102言語）において、Scribe v3がScribe v2に比べて単語誤りを27%削減したと発表した。英語で23%、スペイン語で35%、ドイツ語で42%の改善など、各言語で精度が向上している。リアルタイム処理では、文脈の意味を変えてしまう誤りだけを対象とした「意味的誤り」が43%減少した。また、最大1,000語のキーワードや自然言語での書式指示（「日付はすべてYYYY-MM-DD形式で表記する」など）の受け入れが可能で、Scribe v3 Liveは文中で言語が切り替わるコードスイッチングにも対応する。

ただし、これらの測定結果はあくまで開発元によるものだ。FLEURSは良好な録音環境で読み上げられたコーパスであり、16言語からなるElevenLabsの実環境データセットはまだ公開されていない。同社は近日中の公開を約束している。なお、今回の発表で価格に関する記載はない。