Scribe v2 Realtime 现已上线 ElevenLabs Agents

面向实时智能体的超低延迟文本转语音

本周，我们推出了 Scribe v2 Realtime ——这是一款超低延迟流式文本转语音模型，专为依赖速度、准确性和对话精确度的智能体场景优化。

Scribe v2 Realtime 可在 30-80 ms 内以业界领先的准确率转录语音，让智能体像真人一样自然对话。

专为真实对话设计 

大多数 文本转语音 系统在干净的测试环境中表现出色，但面对真实场景时往往力不从心——例如嘈杂背景、不同口音，或姓名、邮箱和 ID 等标识信息。

Scribe v2 Realtime 正是为应对这些挑战而训练。

在内部基准测试中，我们测试了数百段具有音频质量差、多样口音和填充词等挑战的英语对话样本。Scribe v2 Realtime 对用户意图的捕捉比任何竞品实时 ASR 模型都更准确。

以下是在不同环境中测试 Scribe v2 Realtime 转录准确率的两个真实案例。

领先的多语言准确率

作为一家全球公司，我们部署的智能体中有很大一部分使用西班牙语、葡萄牙语、印地语等多种语言。因此，确保 Scribe v2 Realtime 在各地区保持业界领先表现至关重要。

在评估 30 种语言准确率的 FLEURS 多语言基准测试中，Scribe v2 Realtime 在所有低延迟 ASR 模型中实现了最低词错误率（WER）。

这让企业能够推出可即时、准确响应的多语言智能体，同时不牺牲速度与精确度。

现已在 ElevenLabs Agents

Scribe v2 Realtime 已完全集成到 ElevenLabs Agents，可在“高级”配置部分启用。