ElevenLabs ได้เปิดตัวโมเดล speech-to-text สองรุ่นคือ Scribe v3 สำหรับเสียงที่บันทึกไว้ และ Scribe v3 Live สำหรับเสียงแบบเรียลไทม์ เมื่อวันที่ 10 พฤศจิกายน 2026 โดยอ้างอิงจากประกาศ เอกสาร และหน้าการกำหนดราคาของ ElevenLabs รวมถึงการอัปเดตจาก Voice Arena และ NVIDIA
Scribe v3 Live ใช้ทั้งบทสนทนาและความเงียบในการตัดสินว่าผู้โทรพูดจบแล้วหรือไม่ ทำให้การหยุดพักกลางตัวเลขไม่ถูกนับว่าจบเทิร์น
จากการประเมินของ ElevenLabs เอง การลดอัตราข้อผิดพลาดจาก 4% เหลือ 2% ในการประชุมหนึ่งชั่วโมง (ประมาณ 9,000 คำ) สามารถช่วยลดคำที่ผิดพลาดไปได้ถึง 180 คำ
การทดสอบภายนอกโดย Voice Arena ระบุว่าคู่แข่งอย่าง Google Gemini 3.5 Transcribe Live มีคะแนนใกล้เคียงกันในระดับสถิติ โดยการปรับปรุงครั้งนี้ช่วยเพิ่มประสิทธิภาพในจุดที่โมเดลเก่าเคยอ่อนแอ
ในส่วนของเอกสารระบุว่า SDK อย่างเป็นทางการยังไม่รองรับ turn prediction, โหมดหลายภาษา หรือ keyterm library โดยโมเดลทั้งสองทำงานในสหรัฐอเมริกาเป็นค่าเริ่มต้น และมีสภาพแวดล้อมสำหรับลูกค้าองค์กรในยุโรป อินเดีย และสิงคโปร์
นอกจากนี้ ElevenLabs ยังวางแผนจะเพิ่มศักยภาพด้วยการใช้ NVIDIA Vera Rubin จำนวน 15 MW บนระบบ Blackwell Ultra ที่มีอยู่ เพื่อให้บริการตัวแทนเสียงสำหรับระบบนัดหมายทางการแพทย์ของโปลันด์
ศัพท์ที่ควรรู้
- Scribe v3 – คือโมเดลของ ElevenLabs สำหรับแปลงเสียงพูดเป็นข้อความ
- Scribe v3 Live – คือโมเดลที่ใช้สำหรับการแปลงเสียงแบบเรียลไทม์
- Turn prediction – คือความสามารถในการทำนายว่าผู้พูดจะจบการพูดเมื่อใด
- Blackwell Ultra – คือระบบที่ ElevenLabs ใช้ร่วมกับ NVIDIA ในการให้บริการ
ที่มา: cellcog.ai