字数 2258，阅读大约需 12 分钟
ElevenLabs 推出自家语音转文本模型 Scribe
ElevenLabs 的转型与 Scribe 模型的亮点
ElevenLabs 的背景与转型
ElevenLabs，这家以音频生成技术闻名的AI初创公司，在近期完成了1.8亿美元的巨额融资后，估值已达到33亿美元。此前，ElevenLabs主要通过其丰富的声音库为其他公司提供文本转语音服务。然而，该公司并未满足于现状，而是积极拓展技术边界，推出了其首款独立的语音转文本模型——Scribe。这一举措不仅标志着ElevenLabs在技术上的新突破，也意味着其将与Gladia、Speechmatics、AssemblyAI、Deepgram以及OpenAI的Whisper模型等竞争对手展开正面较量。
Scribe模型的多语言支持与准确性
Scribe模型在发布时便支持超过99种语言，这一数字在语音转文本领域堪称令人瞩目。ElevenLabs将其中25种语言归为“优秀准确性”类别，即单词错误率低于5%。这些语言包括英语（准确率为97%）、法语、德语、印地语、印尼语、日语、卡纳达语、马拉雅拉姆语、波兰语、葡萄牙语、西班牙语和越南语等。其他语言则根据单词错误率被分为高（5%至10%）、良好（10%至20%）和中等（25%至50%）准确性类别。在FLEURS和Common Voice基准测试中，Scribe模型在多种语言上的表现均优于Google Gemini 2.0 Flash和Whisper Large V3，展现出其在多语言环境下的强大转录能力。
Scribe模型的附加功能
除了基本的语音转文本功能外，Scribe模型还具备一系列实用的附加功能。其中，智能说话人识别功能能够准确区分不同的说话人，为多方对话的转录提供了便利。此外，Scribe模型还提供单词级别的时间戳，以确保字幕的准确性，并能够自动标记声音事件，如观众的笑声等。这些附加功能使得Scribe模型在处理视频内容转录时尤为实用。ElevenLabs也在其工作室中为客户提供了直接转录视频内容以添加字幕或标题的选项，进一步提升了用户体验。
Scribe模型的未来发展
目前，Scribe模型仅支持预录制音频格式的转录。然而，ElevenLabs表示将很快推出低延迟的实时版本，以满足会议转录和语音笔记等实时应用场景的需求。在定价方面，ElevenLabs将Scribe模型的转录费用定为每小时0.40美元，这一价格在市场上具有一定的竞争力。尽管部分竞争对手提供了更低的转录价格，但ElevenLabs相信其在数据标注和快速反馈方面的优势将使其能够构建出更出色的语音检测模型，从而在激烈的市场竞争中脱颖而出。
行业影响
ElevenLabs推出Scribe模型的举措，不仅丰富了其自身的产品线，也为整个语音转文本领域带来了新的活力。随着AI技术的不断进步，语音转文本技术在各个行业的应用前景日益广阔。从视频内容创作到会议记录，从语音助手到无障碍沟通，语音转文本技术正逐渐成为人们日常生活和工作中不可或缺的一部分。ElevenLabs通过不断创新和优化，有望在这场技术变革中占据重要地位，为用户提供更加高效、准确的语音转文本解决方案。同时，其与各大竞争对手的较量也将推动整个行业的进步，为用户带来更多选择和更好的体验。
Scribe模型的亮点与市场定位
ElevenLabs，这家估值高达33亿美元的AI初创公司，以其卓越的音频生成技术而闻名。近期，该公司在技术上迈出了重要一步，推出了其首款独立的语音转文本模型——Scribe。这一举措标志着ElevenLabs正积极进军语音检测领域，与Gladia、Speechmatics、AssemblyAI、Deepgram以及OpenAI的Whisper模型等行业领先者展开竞争。
Scribe模型在发布时便支持超过99种语言，这一数字在业界堪称领先。根据ElevenLabs的分类，该模型在25种语言上表现出卓越的准确性，单词错误率低于5%。这些语言包括英语（准确率高达97%）、法语、德语、印地语、印度尼西亚语、日语、卡纳达语、马拉雅拉姆语、波兰语、葡萄牙语、西班牙语和越南语等。其他语言则被分为高（5%至10%单词错误率）、良好（10%至20%单词错误率）和中等（25%至50%单词错误率）等不同级别。在FLEURS和Common Voice基准测试中，Scribe模型在多种语言上的表现均优于Google Gemini 2.0 Flash和Whisper Large V3。
Scribe模型的当前局限性与未来规划
尽管Scribe模型在多语言支持和准确性方面表现出色，但目前仍存在一些局限性。首先，Scribe仅适用于预先录制的音频格式，对于实时会议转录或语音笔记记录等场景尚不适用。ElevenLabs表示，他们计划在未来推出低延迟的实时版本，以满足这些需求。其次，在价格方面，Scribe模型的定价为每小时转录音频0.40美元，虽然这一价格在市场上具有一定的竞争力，但一些竞争对手目前提供的价格更低，并具备不同的功能差异化。
ElevenLabs首席执行官Mati Staniszewski表示：“我们希望更好地理解对话中你所说的内容。我们正在研究如何从仅仅生成内容转变为理解和转录语音。”Staniszewski还指出，尽管许多人认为语音转文本是一个已经解决的问题，但对于许多语言来说，情况并非如此。他认为，ElevenLabs能够构建更好的语音检测模型，因为他们拥有内部团队来注释数据并提供快速反馈。
对AI研究人员的启示
对于熟悉人工智能和编程开发的研究人员来说，ElevenLabs的这一举措提供了几个重要的启示。首先，它展示了AI技术在多语言处理和语音识别领域的潜力，为相关研究提供了新的思路和方向。其次，ElevenLabs通过内部数据注释和反馈机制来改进模型的方法，为其他AI公司提供了一种可行的技术迭代策略。最后，Scribe模型的推出也提醒我们，尽管某些AI技术看似已经成熟，但在实际应用中仍存在许多挑战和改进空间，这为研究人员提供了持续创新的动力。
Scribe模型的附加功能
除了基本的语音转文本功能外，Scribe模型还具备一些附加功能，如智能说话人识别（可区分不同说话人）、单词级别的时间戳（用于生成准确的字幕）以及自动标记声音事件（如观众笑声）等。这些功能使得Scribe模型在处理视频内容时尤为实用，用户可以直接在ElevenLabs的工作室中将视频内容转录为字幕或标题。
未来展望
ElevenLabs的Scribe模型的推出，不仅标志着该公司在技术上的新突破，也为整个语音转文本领域带来了新的竞争格局。随着实时版本的推出和不断的技术改进，Scribe模型有望在未来为用户提供更加准确、便捷的语音转文本服务。同时，这一事件也为AI研究人员提供了宝贵的启示，激励他们在相关领域不断探索和创新。
行业数据与报告
根据市场研究机构Grand View Research的报告，全球语音转文本市场预计将在2028年达到54.7亿美元的规模，年复合增长率为17.2%。这一数据表明，语音转文本技术在各个行业中的应用正日益广泛，从医疗保健、金融服务到媒体娱乐等领域都有着巨大的市场需求。ElevenLabs的Scribe模型的推出，无疑将为这一市场的快速发展注入新的活力。
相关链接
- • ElevenLabs官网：https://www.elevenlabs.io/
- • Grand View Research报告：https://www.grandviewresearch.com/industry-analysis/speech-to-text-stt-software-market
