Scribe（スクライブ）が登場

初のスピーチtoテキストモデルであるScribeは、世界で最も高精度な文字起こしモデルです。実環境のオーディオが持つ予測不能さにも対応できるよう設計されており、99言語の音声を文字起こしします。単語レベルのタイムスタンプ、話者ダイアライゼーション、オーディオイベントのタグ付けを備え、シームレスに統合できる構造化レスポンスとして提供します。

Scribeは、精度を追求して設計されています。99言語を対象としたFLEURSおよびCommon Voiceのベンチマークテストでは、Gemini 2.0 Flash、Whisper Large V3、Deepgram Nova-3といった主要モデルを一貫して上回っています。会議の要約、映画の字幕、歌詞まで、Scribeはイタリア語（98.7％）、英語（96.7％）をはじめとする97言語で、自動文字起こしの単語誤り率を最も低く抑えます。

Scribeにより、ASRを誰でも利用できるようになります。競合モデルでは単語誤り率が40％を超えることも多いセルビア語、広東語、マラヤーラム語など、従来十分に対応されてこなかった言語でのエラーを大幅に削減します。

デベロッパーは今すぐ、スピーチtoテキストAPIを通じてScribeを統合できます。話者ダイアライゼーション、単語レベルのタイムスタンプ、非音声イベントマーカー（例：笑い声）を含む構造化JSON文字起こしを取得できます。リアルタイムアプリケーション向けの低レイテンシーバージョンも、近日中にリリース予定です。

クリエイターや企業は、ElevenLabsダッシュボードからScribeを直接利用し、オーディオまたはビデオファイルをアップロードして、整形された文字起こしを生成できます。

Scribeで開発を始めましょう：

APIドキュメント | ElevenLabsダッシュボードで試す

ベンチマーク

FLEURS - 単語誤り率％ - 102言語

Common Voice - 単語誤り率％ - 102言語

貢献者

研究責任者、トレーニング、アーキテクチャ

Flavio Schneider

プロジェクト責任者、事前学習データ、微調整データ

Tim von Känel

推論、最適化

Maximiliano Levi

研究協力者

Johan Nordberg、Piotr Dabkowski

フロントエンド

Austin Malerba

バックエンド

Hristo Stoychev

データ収集

Alex George