了解 Scribe

Scribe 是我们的首个 文本转语音模型，也是全球最准确的转录模型。Scribe 专为应对真实音频的不可预测性而打造，支持转录 99 种语言，并提供词级时间戳、说话人分离和音频事件标记，全部以结构化响应交付，便于无缝集成。

Scribe 专为精准而设计。在涵盖 99 种语言的 FLEURS 和 Common Voice 基准测试中，它持续优于 Gemini 2.0 Flash、Whisper Large V3 和 Deepgram Nova-3 等领先模型。无论是会议摘要、电影字幕还是歌词，Scribe 在意大利语（98.7%）、英语（96.7%）及其他 97 种语言中均实现了最低的自动转录词错误率。

Scribe 让 ASR 人人可用，大幅降低了塞尔维亚语、粤语和马拉雅拉姆语等长期缺乏支持的语言中的错误率；竞争模型在这些语言中的词错误率通常超过 40%。

开发者现在可通过我们的 文本转语音 API 集成 Scribe，获取包含 说话人分离、词级时间戳和非语音事件标记（如笑声）的结构化 JSON 转录文本。适用于实时应用的低延迟版本即将发布。

创作者和企业可直接通过 ElevenLabs 控制台 上传音频或视频文件，生成格式化转录文本。

使用 Scribe 开始构建：

API 文档 | 在 ElevenLabs 控制台中试用

基准测试

FLEURS - 词错误率 % - 102 种语言

Common Voice - 词错误率 % - 102 种语言

贡献者

研究负责人、训练、架构

Flavio Schneider

项目负责人、预训练数据、微调数据

Tim von Känel

推理、优化

Maximiliano Levi

研究贡献者

Johan Nordberg、Piotr Dabkowski

前端

Austin Malerba

后端

Hristo Stoychev

数据采集

Alex George