Black FridayBis zu 55 % RabattBis zu 55 % Rabatt sichernEndet am 1. Dezember

Erster Monat für $1Sichern Sie sich Ihren ersten Monat für nur $1

Zum Inhalt springen

Speech to Text

Die genauesten Speech to Text-Modelle

Scribe v3 ist unser präzisestes Speech-to-Text-Modell für aufgezeichnete Audiodaten. Scribe v3 Live ist für Echtzeit-Audio und unterstützt Agents sowie Echtzeitanwendungen. Beide sind über die ElevenAPI verfügbar.

Sprecher 1

Quick
check-in.
Maple
Street
is
a
mess.
Time
to
fix
it.

Sprecher 2

Totally.
Some
of
those
potholes
could
swallow
a
small
car.

Sprecher 1

Or
a
very
brave
skateboarder.

Sprecher 2

We
start
next
week.
Jonas,
four-week
timeline?

Sprecher 3

Yep,
unless
the
concrete
throws
a
tantrum.

Sprecher 1

I'll
handle
flyers,
maybe
toss
in
a
joke.
"Maple
Street,
soon
less
bumpy."

Sprecher 2

Perfect.
Keep
it
simple
and
positive.

Sprecher 3

And
no
squirrels
on
sight,
please.

Sprecher 1

Agreed.
Let's
roll.
Thanks,
team.
Scribe v3 Live

Echtzeit-Spracherkennung für Sprachagenten und Live-Audio

Scribe v3 Live transkribiert Sprache, während sie gesprochen wird, mit integrierten Sprecherlabels und Sprecherwechselerkennung. Nutzen Sie es für Sprachagenten, Live-Untertitel und Besprechungsnotizen.

Live-Sprache transkribieren

Scribe v3 Live wandelt Sprache während des Sprechens in Text um – mit einer medianen Latenz von 150 ms. Entwickelt für Sprachagenten, Meetings und Live-Untertitel.

Präziseste Echtzeit-Transkription

Scribe v3 Live macht weniger Fehler als jedes andere von uns getestete Echtzeitmodell. Namen, Zahlen und Adressen werden korrekt erkannt.

Scribe v3 LiveVergleichsmodellSemantische Wortfehlerrate, niedriger ist besser
20 %0 %5 %10 %15 %20 %
  • Gemini 3.5 Transcribe Live

    75 Sprachen

    Scribe v3 Live: 4,8 %
    Vergleichsmodell: 8,3 %
  • GPT-Live-Transcribe

    57 Sprachen

    Scribe v3 Live: 3,9 %
    Vergleichsmodell: 6,7 %
  • Deepgram Nova-3

    53 Sprachen

    Scribe v3 Live: 3,6 %
    Vergleichsmodell: 12,5 %
  • AssemblyAI Universal-3.6 Pro Realtime

    31 Sprachen

    Scribe v3 Live: 3,6 %
    Vergleichsmodell: 5,5 %
  • Grok Voice Transcribe 2.0

    25 Sprachen

    Scribe v3 Live: 2,3 %
    Vergleichsmodell: 4,7 %

Sprachaktivitätserkennung

Erkennt automatisch, wann Sprache beginnt und endet, und segmentiert sie präzise für eine reibungslosere Live-Verarbeitung.

In über 90 Sprachen transkribieren

Hohe Genauigkeit über Akzente, Dialekte und Aufnahmebedingungen hinweg.

Live in der API

Integrieren Sie Scribe v3 Live per API in Ihre Produkte. Mit vollständigem Streaming-Support und Commit-Steuerung.

Scribe v3

Audio und Video mit Scribe v3 transkribieren, untertiteln und bearbeiten

Erstellen Sie Captions, Untertitel und bearbeitbare Transkripte für Podcasts, Videos, Interviews und andere aufgezeichnete Inhalte – mit unserem bisher präzisesten Speech to Text.

Audio und Video transkribieren

Laden Sie Audio oder Video in jedem Format hoch, einschließlich MP4, MOV, MP3 und WAV. Scribe v3 wandelt Sprache in über 90 Sprachen in präzisen Text um – bereit für Captions, Untertitel oder die Bearbeitung.

Amidst the outer atmosphere of the planet Aurora, the sky shimmered with fractured light, as though the planet's veil were made of stained glass suspended in space.
Sensors pulsed with irregular patterns, the kind no algorithm could quite reconcile.
Amidst the outer atmosphere of the planet Aurora, the sky shimmered with fractured light, as though the planet's veil were made of stained glass suspended in space.

Branchenführende Transkriptionsgenauigkeit

Scribe v3 macht in 102 Sprachen 27 % weniger Wortfehler als Scribe v2 und weniger als jedes andere von uns getestete Modell.

Scribe V3VergleichsmodellWortfehlerrate – niedriger ist besser
20 %0 %5 %10 %15 %20 %
  • Gemini 3.5 Transcribe

    102 Sprachen

    Scribe V3: 12,4 %
    Vergleichsmodell: 18,5 %
  • GPT-Transcribe

    58 Sprachen

    Scribe V3: 5,5 %
    Vergleichsmodell: 9,7 %
  • MAI-Transcribe-2

    60 Sprachen

    Scribe V3: 6,5 %
    Vergleichsmodell: 7,5 %
  • Muse Voice Transcribe

    25 Sprachen

    Scribe V3: 6,6 %
    Vergleichsmodell: 16,5 %

Keyterm-Prompting

Fügen Sie bis zu 1.000 Namen, Marken oder Begriffe hinzu, damit Scribe sie jedes Mal richtig schreibt.

Dynamische Audio-Tagging

Von Lachen bis zu Schritten: Scribe v3 markiert jedes Klangereignis und ergänzt Ihre Transkripte um den vollständigen Kontext.

Sprecher- und Entitätserkennung

Scribe v3 kennzeichnet, wer was gesagt hat, mit der niedrigsten Sprecherfehlerrate aller von uns getesteten Modelle – selbst wenn drei oder mehr Personen sprechen. Außerdem markiert es Entitäten und schwärzt vertrauliche Informationen.

Preise für Speech to Text

0 $ pro Monat

10k Credits pro Monat

Kostenlos
0 $ pro Monat
Starter
6 $ pro Monat, erster Monat 1 $
Creator
22 $ pro Monat, erster Monat 11 $
Pro
99 $ pro Monat

10k Credits pro Monat

30k Credits pro Monat

121k Credits pro Monat

600k Credits pro Monat

Scribe v2 & v3 (UI)

Transkription pro Monat

Zusätzliche Stunde, API

Sprachen

Sprecherbezeichnungen

Zeitstempel auf Wortebene

Echtzeit-Transkription

Schwärzung personenbezogener Daten

Maximale Dateigröße

Gleichzeitige Transkriptionen

Datenspeicherung in der EU, Indien und Singapur

HIPAA BAA

Eingeschränkte Nutzung

12 Minuten

0,20 $

Eingeschränkt

99

Eingeschränkt

Bis zu 32

Ja, API

Eingeschränkt

3 GB

Eingeschränkt

8

1 Stunden 31 Minuten

0,20 $

99

Bis zu 32

Ja, API

3 GB

12

6 Stunden 7 Minuten

0,20 $

99

Bis zu 32

Ja, API

3 GB

20

30 Stunden 18 Minuten

0,20 $

99

Bis zu 32

Ja, API

3 GB

40

Preise exkl. Steuern, Abgaben und Zölle. Alle Preismodelle anzeigen.

Sicherheit und Infrastruktur auf Enterprise-Niveau

Enterprise data protection developers

Permissions

Für jeden Workflow entwickelt – von API bis Agents

Speech-to-Text-APIs und SDKs

Integrieren Sie Scribe v3 und Scribe v3 Live per API oder SDKs in Ihr Produkt.

JavaScript configures a Scribe real-time connection with microphone processing enabled.

ElevenLabs Agents

Erstellen Sie Voice Agents mit Scribe v3 Live und Sprecherwechselerkennung, die erkennt, wann ein Anrufer ausgeredet hat.

Agents UI screenshot

ElevenLabs Studio

Wandeln Sie Aufnahmen in bearbeitbaren Text, Untertitel und weiterverwendbare Inhalte um.

Studio UI mockup

Häufig gestellte Fragen

Neueste Updates

Die KI-Komplettplattform für Content in großem Maßstab