Přeskočit na obsah
0 komentářů Modely 3 min čtení

Scribe v3 Live má poznat konec promluvy i podle významu rozhovoru

ElevenLabs vydalo Scribe v3 a Scribe v3 Live pro přepis nahrávek a živé řeči. Živá verze má odlišit odmlku uprostřed diktovaného čísla od konce promluvy. Nezávislé měření zatím dokládá přesnost přepisu nahrávek, nikoli plynulost telefonního hovoru.

Studiový mikrofon s kruhovým filtrem a sluchátky na stole
Mikrofon ve studiu Audio Mix House. Ilustrační snímek. Foto: Audio Mix House, Wikimedia Commons (CC BY 2.0)

Člověk při diktování čísla na chvíli ztichne a automat na druhém konci telefonu začne odpovídat. Právě takovou situaci má omezit Scribe v3 Live, nový model ElevenLabs pro převod řeči na text během hovoru. Firma jej uvedla 10. listopadu 2026 společně se Scribe v3, který zpracovává hotové nahrávky. Oba zpřístupnila přes programové rozhraní ElevenAPI, živou variantu také v platformě ElevenAgents pro hlasové asistenty.

Pauza ještě nemusí znamenat konec věty

Rozpoznání okamžiku, kdy člověk domluvil, rozhoduje o tom, kdy asistent převezme slovo. Jednoduché řešení čeká na určitou délku ticha. Krátká prodleva vede k přerušování lidí, kteří váhají nebo pomalu čtou číslo. Delší prodleva zase nechává volajícího čekat i po dokončené větě.

Podle ElevenLabs přidává Scribe v3 Live ke zvuku také souvislost s dosavadním rozhovorem. Z ní má odhadnout, zda ještě přijde pokračování. Stejné rozpoznávání konce promluvy už podle oznámení používalo ElevenAgents; nově je dostupné i vývojářům přes ElevenAPI. Firma tedy nedatuje vznik celé funkce na tento týden, ale její zpřístupnění v samostatném rozhraní.

The Decoder ve zprávě z 12. listopadu upozorňuje na rozdíl mezi touto schopností a přesností samotného přepisu. Jeho odkazované nezávislé měření pracuje s nahranými soubory. Neříká, kolikrát živý asistent skočí člověku do řeči.

Scribe v3 Live nově rozlišuje mluvčí v přepisu

Živá verze nově rozlišuje mluvčí, tedy označuje, kdo kterou část řekl. ElevenLabs pro tuto funkci používá termín diarizace. Hodí se například při přepisu porady: správná věta pod nesprávným jménem může změnit význam záznamu stejně jako přeslechnuté slovo.

Pro rozhovory, v nichž lidé přecházejí mezi jazyky i uprostřed věty, přibyl vícejazyčný režim. Vývojáři mohou dodat také slovník odborných výrazů, ze kterého má model vybírat při zaslechnutí odpovídajícího slova. U Scribe v3 pro nahrávky firma uvádí seznam až tisíce očekávaných výrazů a pokyny k úpravě zápisu, například zda vracet čísla číslicemi, nebo slovy.

Scribe vytváří přepis. Eleven Realtime, který firma uvedla v říjnu, naproti tomu přijímá řeč a vrací mluvenou odpověď. Testování těchto dvou druhů modelů proto odpovídá na různé otázky: přesně zapsaná věta ještě nedokládá správně vyřízený požadavek volajícího.

Nezávislý test měří nahrávky, ne střídání v hovoru

V žebříčku Artificial Analysis k 12. listopadu dosahuje Scribe v3 chybovosti slov 1,9 procenta. Měřítko AA-WER v2 kombinuje tři sady nahrávek: AA-AgentTalk má poloviční váhu, VoxPopuli-Cleaned-AA a Earnings22-Cleaned-AA po čtvrtině. Stejná laboratoř zveřejňuje také rychlost zpracování souborů.

Model v měření Artificial AnalysisChybovost slov AA-WER v2Sekundy zvuku zpracované za sekundu (medián)
Scribe v31,9 %74,3
MAI-Transcribe-22,0 %309,7
Grok Voice Transcribe 2.02,3 %195,2

Nižší chybovost je lepší, u rychlosti naopak vítězí vyšší číslo. Scribe v3 z vybrané trojice přepisuje nejpřesněji, oba další modely ale zpracují více zvuku za stejný čas. Údaj o rychlosti popisuje zpracování souboru, nikoli čekání na začátek odpovědi v telefonátu. Scribe v3 Live v této tabulce není.

Vlastní test ElevenLabs navíc používá jiný postup. Přesnost zkouší na interní verzi sady FLEURS se 102 jazyky, kde každý krátký úsek čte jediný člověk. Rozlišení mluvčích z toho zjistit nejde, proto firma vytvořila další sadu porad, hovorů s asistenty a hlasových poznámek v 16 jazycích. Při vydání teprve slibovala její zveřejnění.

U živého přepisu výrobce odděluje běžnou chybovost slov od chyb, které mění význam. Rozdílný zápis čísel nebo interpunkce tak nemusí znamenat stejný problém jako přeslechnuté jméno. Průměr navíc počítá nejprve po jazycích, aby měl každý stejnou váhu. Výsledky z takového testu nelze přímo zaměnit s tabulkou Artificial Analysis.

Pro firmu, která chce službu nasadit, zbývá ještě rozhodnutí o datech. ElevenLabs uvádí jako výchozí místo provozu USA; oddělené prostředí v EU nabízí podnikovým zákazníkům. Režim Zero Retention má podle výrobce smazat zvuk i text po dokončení požadavku. Dostupnost evropského prostředí tedy sama neznamená, že do něj automaticky míří každý účet.

Zdroje

Diskuse

Zatím tu nikdo nediskutuje. Můžete být první.

Napsat příspěvek

Diskutovat můžete i bez účtu. S registrací se ale příspěvek zveřejní hned a nemusíte pokaždé vyplňovat jméno. Účet už máte? Přihlaste se.

Nezveřejňujeme ho, slouží jen redakci.

Podporuje zápis Texy: **tučně**, *kurzíva*, odrážky, odkazy.

Dál k tématu

  1. Modely

    Google účtuje za Gemini 4 Neon víc než za zlevněný Carbon

    Google vydal Gemini 4 Neon pro rozhraní API a placené služby Gemini. Za tokeny si účtuje o polovinu víc než u Carbonu se zaváděcí slevou. Poměr cen se má obrátit 1.…

  2. Modely

    Google vydal Gemini Decision 1 pro otázky s předem danými odpověďmi

    Gemini Decision 1 ohodnotí až tisíc otázek nad jedním podkladem, včetně zvuku a videa. Za sdílená data platí aplikace jednou v každém požadavku; výstupní tokeny jsou…

  3. Modely

    DeepL nasadil Aure, který má při překladu zachovat i změny nálady

    DeepL nasadil hlasový model Aure, který má průběžně přenášet intonaci, důraz a tempo mluvčího do jiného jazyka. Zapíná se automaticky v DeepL Voice i v hlasovém API.…

  4. Modely

    Claude Fable 5.2 vyšel při testování na maximum v průměru na 26,54 dolaru za úlohu

    Anthropic vydal Fable 5.2 s tokeny o pětinu levnějšími než u verze 5.1. V měření Artificial Analysis však účet výrazně mění nastavení úsilí: High vychází na 9,08 dolaru…