Scribe v2 Realtimeとは？

Scribe v2 Realtimeは、ライブ文字起こし用に設計されたストリーミング型のSpeech to Textモデルです。30言語で150msの低遅延と93.5%の精度を実現し、FLEURSベンチマークでGemini Flash 2.5、GPT-4o Mini Transcribe、Deepgram Nova 3を上回ります。

Scribe v2 RealtimeとScribe v2の違いは？

Scribe v2 Realtimeはストリーミング用途に最適化され、150msの低遅延を実現しています。Scribe v2（バッチ）は録音音声向けで、話者識別や動的オーディオタグ付け、99言語対応などの追加機能があります。エージェントやライブ用途にはRealtime、後処理にはバッチをご利用ください。

Scribeのリアルタイム文字起こしの精度は？

Scribe v2 Realtimeは99言語で業界最高水準の精度を実現し、厳しい音声環境やアクセント、録音品質にも強いモデルです。従来モデルや他の主要APIよりも高いパフォーマンスを公的ベンチマークで示しています。

遅延はどれくらいですか？

アプリケーションやネットワーク遅延を除き、エンドツーエンドで約150msです。これはGPT-4o Mini Transcribe（500ms）の3倍高速です。

ネガティブレイテンシー／予測文字起こしとは？

Scribeは、次に話される単語や句読点を事前に予測します。無音を待たずに文字起こしを確定できるため、よりスムーズなリアルタイム出力が可能です。

90以上の言語に自動対応。会話中の言語切り替えも設定不要で処理します。

対応オーディオ形式は？

8kHz～48kHzのPCM音声とμ-lawエンコーディングに対応。電話、ブラウザ、スタジオ音源で利用できます。

Scribe v2 Realtimeは話者識別に対応していますか？

現在は未対応です。複数話者の識別には、最大48人まで対応するScribe v2（バッチ）をご利用ください。

同時処理の上限は？

ビジネスプランで30以上の同時ストリームに対応。エンタープライズプランではさらに上限が拡大します。大量利用の場合は営業までご相談ください。

Scribe v2 RealtimeはElevenAgentsで利用できますか？

はい。Scribe v2 Realtimeは標準でAgentsプラットフォームに統合されています。

取得済みのコンプライアンス認証は？

SOC2、ISO 27001、PCI DSSレベル1、HIPAA、GDPRに対応。エンタープライズ向けにゼロリテンションモードやEU/インドのデータレジデンシーも利用可能です。

リアルタイムスピーチtoテキストAPI

Scribe v2 Realtimeでライブ音声を文字起こし

Scribe v2 Realtimeは、90以上の言語で150msの低遅延を実現する最も高精度なリアルタイム文字起こしモデルです。API経由で利用可能。

APIキーを取得ドキュメントを探す

デモ

コード

Lovable
Veed model
Synthesia
Stripe
Perplexity
Twilio

スピードと精度を両立

APIキーを取得ドキュメントを探す

超高速・高精度でライブ音声に最適。Scribe v2 Realtimeはリアルタイム用途に即時文字起こしを提供します。

最高精度のリアルタイム文字起こし

Scribe v2 Realtimeは、厳しい音声環境や多様なアクセントでも約150msの低遅延で業界最高水準の文字起こし精度を実現します。

Uh, hi! So, um, I was wondering if you wanted to meet up for coffee? Maybe tomorrow morning? [nervous laugh] Totally fine if not!

Natural Speech

Low-quality Audio

Accents

Domain Terms

あらゆるシーンに対応

ノイズ環境やBGM、強いアクセント、低音質でも正確に文字起こし。

リアルタイム性能に特化した音声認識

Scribe v1を基盤にしたScribe v2 Realtimeは、アクセントや話し方、環境を問わず約150msの低遅延と高精度を実現。

返金してもらえますか？

もちろんです。注文番号を教えていただけますか？

注文番号はEL4543490です

ありがとうございます。注文の返金手続きを開始しました。

返金が完了しました

Agentsや音声アプリ向けに最適化

Scribe v2 Realtimeは、会話型エージェントやミーティングアシスタント、音声アプリなど、スピードと精度が求められる開発者向けに設計されています。

Scribe

makes

uses

is

has

new

低遅延を実現する予測型文字起こし

Scribe v2 Realtimeは、予測型文字起こしで次に来る単語や句読点を先読みし、リアルタイムで高精度な文字起こしを可能にします。

音声アクティビティ検出

音声の開始・終了を検出し、音声を正確に区切ることでスムーズかつ効率的なリアルタイム文字起こしを実現します。

手動コミットコントロール

デベロッパーが文字起こしの確定タイミングを自由にコントロール可能。カスタムストリーミングや精度調整に最適です。

複数のオーディオフォーマット対応

PCM（8～48kHz）やμ-lawエンコーディングに対応し、電話・ブラウザ・スタジオなど幅広い環境で利用できます。

あらゆる用途に最適化されたモデル

大量処理向けのScribe v2と、低遅延用途向けのScribe v2 Realtime

Scribe v2

バッチ処理向けに設計された最高精度モデル。

精度95％以上
90以上の言語対応
非音声イベント検出
エンティティ検出
キータームプロンプト

Scribe v2 リアルタイム

リアルタイム処理向けの最小遅延モデル。

150ms未満の遅延
90以上の言語対応
文字起こしストリーミング
音声アクティビティ検出
自動言語認識

90以上の言語と多様なアクセントの音声を文字起こし

アクセントや方言、録音環境を問わず高い精度を実現します。

languageCodeを変更して各言語をプレビュー

import { useScribe } from "@elevenlabs/react";

const scribe = useScribe({
  modelId: "scribe_v2_realtime",

  languageCode: 
, // 言語を設定

  onSessionStarted: () =>
    console.log("Session started"),
  onPartialTranscript: (data) =>
    console.log("Partial:", data.text)
});

英語

中国語

スペイン語

フランス語

ポルトガル語

ドイツ語

日本語

イタリア語

ヒンディー語

英語プレビューをクリック

世界をリードする企業やブランドに導入

カスタマーストーリーを見る

“現地語でのReels吹き替えから、Horizonでの音楽やキャラクターボイス生成まで、ElevenLabsのプラットフォームは世界中のクリエイターや企業、エンタープライズが音声・音楽・サウンドを大規模に活用できる環境を提供します。”
“Scribeの圧倒的な多言語精度により、Fieldyは日々の会話をすべて理解し、世界中で簡単にスケールできるようになりました。ElevenLabs Scribe導入後、Fieldyのユーザー定着率は50％向上しています。”
“ElevenLabsのおかげで、強力なテキスト読み上げ機能をSDKに素早く組み込めました。Agentsはユーザーの質問や状況にリアルタイムで表情豊かな声で応答できます。”
“TwilioはElevenLabsの生成AI音声技術をCPaaSに統合し、ConversationRelayを強化しました。この連携により、企業やデベロッパーはTwilio CPaaSプラットフォーム上で、人間らしく表現力豊かな会話型AI音声インタラクションをリアルタイムで構築できます。ElevenLabsとしても、Twilioが最も表現力豊かで人間らしい音声でConversationRelayを強化するパートナーにElevenLabsを選んでくれたことを嬉しく思います。”