Scribe v2 RealtimeがElevenLabs Agentsで利用可能に

リアルタイムエージェント向けの超低遅延スピーチtoテキスト

今週、Scribe v2 Realtime を発表しました。速度、精度、会話の正確さが求められるエージェント型ユースケース向けに最適化した、超低遅延ストリーミングのスピーチtoテキストモデルです。

Scribe v2 Realtimeは、最高水準の精度で30〜80ms以内に音声を書き起こし、人間同士の会話のように自然な応答をエージェントに可能にします。

実際の会話のための設計 

多くのスピーチtoテキストシステムは、クリーンなテスト環境では優れた性能を発揮しますが、ノイズの多い環境、多様なアクセント、名前・メールアドレス・IDといった識別情報など、現実の状況では苦戦します。

Scribe v2 Realtimeは、まさにこうした課題に対応できるようトレーニングされています。

音質の低さ、多様なアクセント、フィラーワードを含む難易度の高い英語会話サンプル数百件を用いた社内ベンチマークで、Scribe v2 Realtimeは、競合するどのリアルタイムASRモデルよりも正確にユーザーの意図を捉えました。

以下は、異なる環境でScribe v2 Realtimeの文字起こし精度をテストした実際の例です。

業界最高水準の多言語精度

スペイン語、ポルトガル語、ヒンディー語をはじめ、多くの言語でエージェントが広く導入されているグローバル企業として、Scribe v2 Realtimeが地域を問わず最高水準の性能を維持することは極めて重要でした。

30言語の精度を測定するFLEURS多言語ベンチマークで、Scribe v2 Realtimeは、低遅延ASRモデルの中で最も低い単語誤り率（WER）を達成しました。

これにより、企業は速度や精度を妥協することなく、即座に正確に応答する多言語エージェントを導入できます。

ElevenLabs Agentsで利用可能に

Scribe v2 RealtimeはElevenLabs Agentsに完全統合されており、詳細設定セクションから有効にできます。