ElevenLabs lança Scribe v3 e Scribe v3 Live: menos erros de transcrição e identificação de locutores em tempo real
A ElevenLabs substitui seus modelos de transcrição pelo Scribe v3, para áudio gravado, e pelo Scribe v3 Live, para transmissões ao vivo. A empresa anuncia 27% a menos de erros em 102 idiomas, atribuição de falas a cada locutor em tempo real e detecção de fim de turno que leva em conta o contexto.
Uma transcrição incorreta custa caro, porque o erro se propaga: no relatório, no resumo e, em seguida, na ação de um agente. Esse é o argumento da ElevenLabs, que lançou em 10 de novembro o Scribe v3 e o Scribe v3 Live, seus novos modelos de reconhecimento de fala, um voltado para áudio gravado e o outro para transmissões ao vivo.
Quem disse o quê, mesmo ao vivo
A mudança mais visível diz respeito à diarização, ou seja, a atribuição de cada frase ao locutor correto. De acordo com a empresa, o Scribe v3 comete 17% a menos de erros que seu antecessor em gravações com três ou mais vozes — justamente onde a maioria dos modelos falha. Acima de tudo, o Scribe v3 Live traz esse recurso pela primeira vez em tempo real: 3,1% de erro na parte em inglês do conjunto de testes da ElevenLabs, contra 5,9% a 7,3% de outros modelos de tempo real testados.
Para agentes de voz, a outra novidade é a detecção de fim de turno. Os sistemas convencionais aguardam um silêncio: se for curto demais, interrompem quem hesita; se for longo demais, o agente parece lento. O Scribe v3 Live considera o contexto da conversa, de modo que uma pessoa que faz uma pausa no meio de um número de telefone não é interrompida. A fornecedora de energia holandesa Eneco, que testou o modelo em seu agente telefônico, afirmou ter reconhecido códigos postais de primeira com uma frequência 40% maior.
Números internos, a serem verificados
A ElevenLabs anuncia 27% a menos de erros de palavras em relação ao Scribe v2 nos 102 idiomas de sua versão interna do teste FLEURS, com avanços em cada idioma, como 23% em inglês, 35% em espanhol e 42% em alemão. Em tempo real, o erro “semântico”, que contabiliza apenas as falhas que alteram o sentido, cai 43%. O modelo também aceita até 1.000 termos-chave e instruções de formatação em linguagem natural (“escreva cada data no formato AAAA-MM-DD”), e o Scribe v3 Live gerencia conversas que alternam de um idioma para outro no meio da frase.
Esses resultados permanecem como dados do desenvolvedor: o FLEURS é um corpus de frases lidas em condições ideais, e o conjunto de dados do mundo real da ElevenLabs, em 16 idiomas, ainda não é público. A empresa promete publicá-lo em breve. Nenhum preço foi especificado no anúncio.
Nossa leitura
A transcrição está se tornando a camada crítica dos agentes de voz, e a batalha agora é travada no tempo real: saber quem fala e quando terminou, mais do que ganhar um ponto percentual de precisão em áudio limpo. A ElevenLabs apresenta números sólidos, mas todos medidos internamente; a publicação prometida de seu conjunto de testes do mundo real será o verdadeiro divisor de águas, especialmente porque as alternativas abertas também estão avançando, como demonstrou o Nemotron 3.5 Transcribe da NVIDIA. Para as empresas europeias, a hospedagem isolada na UE e o modo sem retenção de dados importam tanto quanto a precisão.
Fontes
- ElevenLabs — Introducing Scribe v3 and v3 Live, our most accurate speech to text models (10 de novembro de 2026) Fonte primária
- ElevenLabs — documentação Transcription (Speech to Text) Fonte primária
Uma fonte primária vem diretamente da empresa, do laboratório ou da organização envolvida. Uma fonte secundária relata a informação sem ser a sua autora: nós a sinalizamos como tal. Encontrou um erro? Consulte nossa política de correções.
