我先联网核实 ElevenLabs 这条发布消息的原始信息。
官方信息确认了，我再补充第三方报道和最新进展。
ElevenLabs 在 2026 年 11 月 10 日一次性发布了两款语音转文本模型：用于录音文件的 Scribe v3，以及用于实时音频的 Scribe v3 Live。这里要划清一条界线：102 种语言这个词，说的是批量版的设计语言覆盖能力；真正干 “实时语音转写” 这件事的是 Scribe v3 Live。所以准确的说法是一个系列、两个模型，不是一个模型同时包揽所有场景。官方给出的核心指标有三条。第一，Scribe v3 在 102 种语言的 FLEURS 基准上，词错误率比 Scribe v2 低 27%，从 16.94% 降到 12.38%，并且在每一种测试语言上都有提升。第二，Scribe v3 Live 比 Scribe v2 Realtime 语义词错误率低 43%，同时第一次把说话人分离（也就是 “谁说的”）搬进了实时链路。第三，两者的价格一分没涨，批量版仍是每小时音频 0.2 美元，实时版 0.22 美元。升级门槛也很低：从 v2 切过来，只需要改一个模型 ID，即 scribe_v3 或 scribe_v3_live。
ElevenLabs一、先把两个模型的定位分清楚
很多人会把这代更新读成 “一个模型既做批量又做实时”，其实不是。ElevenLabs 这次是沿着两条产品线各推一代。
| 维度 | Scribe v3 | Scribe v3 Live |
|---|---|---|
| 定位 | 录音文件的批量转写 | 实时音频的流式转写 |
| 前代 | Scribe v2 | Scribe v2 Realtime |
| 模型 ID | scribe_v3 | scribe_v3_live |
| 关键指标 | 102 种语言词错误率降 27% | 语义词错误率降 43%，普通 WER 降 31% |
| 延迟 | 不适用（异步批量） | 中位延迟约 150 毫秒 |
| 说话人分离 | 支持，最多 32 人 | 首次支持，随流输出草稿标签 |
| 价格 | 0.20 美元 / 音频小时 | 0.22 美元 / 音频小时 |
| 主要入口 | ElevenAPI、ElevenLabs App | ElevenAgents、ElevenAPI、App |
Freaky Jolly一句话选型建议：做会议纪要、播客字幕、访谈整理、临床文档这类 “事后处理” 的活，用 Scribe v3；做语音智能体、实时字幕、客服通话、听写这类 “边说边出字” 的活，用 Scribe v3 Live。混用会浪费钱，也会浪费准确率。
二、为什么这次更新值得认真看：准确率已经不是唯一瓶颈
ElevenLabs 自己在博客里说得很直白：Scribe 已经处理了数亿小时的转写，客户反复提的诉求集中在五件事上，而其中只有一件跟 “字准不准” 直接相关。
- 会议场景要更强的说话人分离，尤其是三个人以上、抢话频繁的录音，这是现有模型最容易翻车的地方。
- 语音智能体怕静音计时器，用户说数字时慢一点、句子中间停一下，就被打断。
- 实时产品的准确率明显落后于批量产品，团队为了速度在牺牲质量。
- 印度等市场的客户要求印地语追上英语水平，而且句中英印混说时不能掉链子。
- 输出要可控，数字要能选阿拉伯数字还是英文单词，术语表要能长到装下一整本产品目录或药名清单。
换句话说，这一代升级的重点不是 “再准一点”，而是 “结构对了”：谁说的、什么时候说完的、按什么格式写出来。这也解释了为什么三组核心数据里，有两组是关于说话人和轮次的。
ElevenLabs三、三组核心数据，逐条拆开看
① 批量准确率：102 种语言全线提升
| 语言 | 词错误率降幅（对比 Scribe v2） |
|---|---|
| 全部 102 种语言（平均） | 27% |
| 德语 | 42% |
| 西班牙语 | 35% |
| 斯瓦希里语 | 34% |
| 英语 | 23% |
| 泰米尔语 | 29% |
| 泰语 | 28% |
| 普通话 | 17%（官方图表数据） |
| 日语 | 15%（官方图表数据） |
有个规律值得注意：越是难转的语言，提升幅度越大。德语、西班牙语这类 “容易转” 的语言本来基数就低，还能再降三四成；斯瓦希里语、泰米尔语、泰语这些长期被忽视的语种，降幅也接近三成。这说明训练数据的分布被重新平衡过了，不是单纯把英语调优。
② 说话人分离：批量版全场最低
| 模型 | 全部录音 DER（越低越好） | 3 人以上录音 DER |
|---|---|---|
| Scribe v3 | 5.0% | 8.0% |
| Scribe v2 | 6.4% | 9.6% |
| MAI-Transcribe-2 | 6.5% | 10.6% |
| Muse Voice Transcribe | 6.8% | 10.8% |
| AssemblyAI Universal-3.5 Pro | 10.4% | 13.7% |
| Gemini 3.5 Transcribe | 10.8% | 14.2% |
| Deepgram Nova-3 | 14.2% | 15.4% |
③ 实时链路：第一次能分清是谁在说
| 指标 | Scribe v3 Live | 对比 |
|---|---|---|
| 语义词错误率（102 种语言） | 降 43% | 对比 Scribe v2 Realtime |
| 普通词错误率（102 种语言） | 降 31% | 对比 Scribe v2 Realtime |
| 英语说话人分离错误率 | 3.1% | 其他实时模型 5.9%–7.3% |
| 希腊语 | 提升 77% | — |
| 丹麦语 | 提升 54% | — |
| 克罗地亚语 | 提升 45% | — |
| 印地语 | 提升 36% | — |
实时说话人分离那组对比里，Grok Voice Transcribe 2.0 是 5.9%，AssemblyAI Universal-3.5 Pro Realtime 是 6.1%，Deepgram Nova-3 是 7.3%，Scribe v3 Live 是 3.1%。
还有一个公开文档里的独立数字更实用：在 Earnings-22（带口音的英语金融通话）上，WER 从 5.99% 降到 3.91%，约降 35%；在 VoxPopuli（欧洲议会演讲）上，从 2.13% 降到 1.71%，约降 20%。这两个测试集比干净的朗读语料更接近真实业务场景。
ElevenLabs四、真正的技术增量：轮次预测和多语言模式
如果只记一件事，记这个：实时转写从 “等静音” 改成了 “听语义”。
传统语音智能体的轮次判断靠静音时长。阈值设短了，用户读到一半号码就被打断；设长了，智能体反应迟钝，体验像卡住。Scribe v3 Live 的做法是把对话上下文一起喂进判断逻辑，模型预测的是 “这一轮说完了没有”，而不是 “刚才有没有声音”。技术实现上对应 commit_strategy=turn_prediction 这个参数，输出的每一段转写还会带一个 turn_probability 值。
这带来一个容易被忽略的连锁效应：对于客服、下单、预约这类必须一次听对号码和地址的场景，准确率的边际价值极高。ElevenLabs 给了一个真实客户数据 —— 荷兰能源公司 Eneco 服务超过 200 万户家庭和企业，在发布前用真客通话做测试，智能体首次正确识别荷兰邮政编码的比例提高 40%，门牌号提高 15%。一个数字听错，整通电话就得重来，这类提升直接等于成本下降。
第二个增量是多语言模式。开着 multilang_mode=true，每种语言按自己的文字系统输出，句中换语言不用改配置。对东南亚、印度、欧洲多语区的客服中心，这是刚需而不是加分项。
ElevenLabs五、可调参数清单：能落到代码里的部分
| 能力 | Scribe v3（批量） | Scribe v3 Live（实时） |
|---|---|---|
| 数字格式 | numbers_format，选 digits 或 words | 通过格式规则控制 |
| 混合语言 | secondary_language_codes，声明次要语种 | multilang_mode=true |
| 术语干预 | keyterm prompting，最多 1,000 个术语 | 关键术语库，最多 10,000 个术语 |
| 格式规则 | 用自然语言写，如 “所有日期写成 YYYY-MM-DD” | 支持转写文本编辑 |
| 说话人 | 最多 32 人，可调 diarization_threshold 或指定人数 | diarize=true，随流输出草稿标签 |
| 实体识别 | 支持，可脱敏敏感信息 | 支持 65 种实体类型，含 PHI 类别 |
| 非语音事件 | 动态音频标签（笑声、掌声、音乐、脚步） | 语音活动检测自动分段 |
| 文件与时长 | 最长 15 小时、最大 5 GB，异步加 webhook | 流式 WebSocket，支持手动提交 |
| 音频格式 | 常见音视频格式（MP3/MP4/WAV/MOV 等） | PCM 8–48 kHz 与 μ-law 编码，兼容电话线路 |
Freaky Jolly升级代码就一行的事。批量版把 model_id 从 scribe_v2 改成 scribe_v3，原有请求参数不用动；实时版把 WebSocket 的 model_id 换成 scribe_v3_live，再按需加 commit_strategy=turn_prediction。ElevenLabs 明确说了 Scribe v2 和 v2 Realtime 继续可用，不强制迁移。
六、企业侧：合规与部署没有缩水
| 项目 | 状态 |
|---|---|
| 默认运行区域 | 美国 |
| 数据驻留 | 可隔离部署在欧盟、印度、新加坡 |
| 零保留模式 | 请求完成即删除音频与文本 |
| 合规认证 | SOC 2、ISO 27001、PCI DSS Level 1 |
| 医疗合规 | 签署 BAA 后符合 HIPAA |
| 私有化部署 | 支持 |
| 医疗专用版 | 面向医疗对话优化的 Scribe v3 Live 将上线 ElevenAgents |
ElevenLabs七、必须提醒的几个坑
说得再好，也有几件事得摊开讲，不然容易被营销数字带着走。
- 所有准确率数字都是厂商自测。 博客里的对比图只写 “其他热门模型”，没有逐一点名；评测用的 FLEURS 是简短、干净的朗读语料，真实电话、嘈杂环境、重口音的分数通常更差。第三方榜单（如 Artificial Analysis、Open ASR）在发布时还没收录 Scribe v3 结果。
- “102 种语言” 和 “90+ 种语言” 是两套口径。 102 种是 FLEURS 评测覆盖的语言数，产品页宣传的是 “90+ 种”，实际支持清单里还有一批语种处于 “中等准确率” 档（WER 20%–50%），比如乌尔都语、蒙古语、老挝语、索马里语。选型前务必查官方逐语言 WER 表。
- 官方口径本身有一处不一致。 博客和定价页写实时版 “少 43% 错误、102 种语言”，而模型文档写 “FLEURS 73 种语言上语义词错误率低 44%”。两个数字指向的评测集合不同，对外引用时最好标明口径。
- 计费按音频时长，不按有效语音。 长时间静音同样计费，多声道会按声道分别计费，附加能力会叠加。批量处理前先裁掉长静音，能省不少钱。
- 说话人分离会 “多认人”。 现场回声、串音会导致说话人数虚高，可以调高 diarization_threshold（向 0.4 方向调）或直接指定 num_speakers。
FourWeekMBA八、结论：这一代打的是 “结构性能力”，不是 “跑分”
放到产业视角看，Scribe v3 系列最有价值的地方不是那几个百分比，而是把三件原本要 “二次加工” 的事搬进了模型本身：实时分清谁在说、按语义判断一轮说完没有、按你指定的格式直接产出可用的文本。语音转写这条链路长期是 “先出一份毛坯稿，再人工修” 的模式，模型往结构化方向走一步，下游的人工成本就少一截。
对国内使用者的三条实操建议：
- 中文场景要单独验证。 官方图表里普通话降幅约 17%、日语约 15%，低于德语、西班牙语的 35%–42%，属于 “有提升但不是最优档”。中文会议、方言、口音重的场景，建议先用自己 30 分钟真实录音做盲测再决定是否迁移。
- 优先迁移实时链路。 如果你们的语音智能体正在被 “打断用户” 和 “分不清说话人” 困扰，Scribe v3 Live 是这一代性价比最高的升级点，价格没变，能力是新增的。
- 把术语库当成工程配置来管。 批量版 1,000 条、实时版 10,000 条的术语容量，本质是把 “业务词典” 变成模型输入。产品名、药名、专业缩写、人名，配好了准确率的提升往往比换模型更明显。
【常见问题】
问题 1：ElevenLabs 这次发布的 Scribe v3，102 种语言是批量版还是实时版的能力？
回答 1：102 种语言是 Scribe v3 批量版的评测覆盖范围，官方在 FLEURS 基准上用 102 种语言测出词错误率比 Scribe v2 低 27%。实时语音转写由同系列的 Scribe v3 Live 负责，它在 102 种语言上的语义词错误率比 Scribe v2 Realtime 低 43%，但产品页宣传口径是 “支持 90 多种语言”。选型时要把 “评测语言数” 和 “产品支持语言数” 分开看。
问题 2：Scribe v3 系列的实时语音转写，第一次支持说话人分离意味着什么？
回答 2：意味着 Scribe v3 Live 在流式转写的同时就能标出每句话是谁说的，而不只是输出一大段不分人的文字。官方测试中，它的英语说话人分离错误率是 3.1%，其他实时模型在 5.9% 到 7.3% 之间。对语音智能体、实时字幕、客服质检来说，这个能力决定了系统能不能在通话进行中就判断 “谁承诺了什么”，而不是等会议结束再补一遍。
问题 3：Scribe v3 支持 102 种语言，那中文和方言的实际表现如何？
回答 3：官方图表里，Scribe v3 在普通话上的词错误率比 Scribe v2 降低约 17%，日语约 15%，低于德语 42%、西班牙语 35% 的降幅，属于 “整体提升但不属于最优档”。另外粤语在官方支持清单中处于 “高准确率”（WER 5%–10%）档，普通话也在同一档。真实业务中的口音、夹杂英文、专业术语会进一步拉低表现，建议用自有录音做盲测。
问题 4：升级到 Scribe v3 系列要改多少代码，102 种语言的老项目会受影响吗？
回答 4：改动极小。批量版只需把 model_id 从 scribe_v2 改成 scribe_v3，原有请求参数可直接沿用；实时版把 WebSocket 的 model_id 换成 scribe_v3_live，需要新能力时再加 commit_strategy=turn_prediction、multilang_mode=true 等参数。ElevenLabs 明确保留 Scribe v2 与 v2 Realtime 可用，不会强制中断现有业务，102 种语言的老项目可以灰度切换。
问题 5：Scribe v3 系列的实时语音转写延迟多少，价格涨了吗？
回答 5：Scribe v3 Live 的官方中位延迟约 150 毫秒，官方称约为部分竞品的三倍速度。价格没有上涨：批量版仍是每音频小时 0.20 美元，实时版 0.22 美元，与它们所替代的 Scribe v2、Scribe v2 Realtime 一致。需要注意计费按音频总时长计算，静音同样计费，处理前裁掉长静音能实打实省钱。
【参考资料】
[2026-11-13]（推出 Scribe v3 和 v3 Live：迄今最准确的语音转文本模型）ElevenLabs 官方博客中文版
[2026-11-13]（最も高精度なスピーチ to テキストモデル、Scribe v3 と v3 Live を発表）ElevenLabs 官方博客日文版
[2026-11-12]（ElevenLabs Scribe v3 and v3 Live: Price, Accuracy, API Setup and Limits 2026）Freaky Jolly
[2026-11-12]（AI 语音转文字又变强了：ElevenLabs 11 月 10 日发布 Scribe v3 和 Scribe v3 Live）抖音
[2026-11-11]（ElevenLabs Scribe v3: Live Diarization and 43% Fewer Errors Change AI Transcription）AITrove
[2026-11-11]（ElevenLabs Scribe v3 Cuts Word Errors 27% at the Same Price）FourWeekMBA
[2026-11-11]（ElevenLabs Scribe v3: 27% fewer errors, same price）DataNorth AI
[2026-11-10]（Introducing Scribe v3 and v3 Live, our most accurate speech to text models）ElevenLabs Blog
[2026-11-09]（更新日志：Scribe v3 与 Scribe v3 Live 上线语音转文本 API）ElevenLabs Documentation
免责声明
本文基于 ElevenLabs 官方博客、官方文档更新日志与产品页，以及第三方科技媒体的公开报道整理，仅用于技术信息传播与选型参考，不构成采购建议、性能担保或对任何服务等级的承诺。文中所有准确率、延迟、价格数据均来自厂商公开发布或第三方转述，ElevenLabs 未对本文内容进行确认，也未提供独立第三方评测背书。模型的实际表现会因音频质量、口音、语言、领域术语密度和网络环境产生较大差异，正式迁移前请以自有数据实测结果与企业官方最新文档为准。