ElevenLabs 推出新的語音轉文本模型 Scribe，Hume AI 也與新產品競爭

ElevenLabs 發佈了一種新的語音轉文本模型 Scribe v1。

該模型在多種語言中具有最高的準確性，您可以在 ElevenLabs 網站上親自嘗試。

根據該公司的基準測試，Scribe 將語音轉換為文本的準確性高於 Google 的 Gemini 2.0 Flash、OpenAI 的 Whisper v3 和 Deepgram Nova-3。

它以總共99種語言提供最先進的轉錄準確性，包括以前服務不足的語言，如塞爾維亞文、粵語和馬拉雅拉姆語。

ElevenLabs 的一位高級研究員解釋說，Scribe 超越了簡單的轉錄來理解音訊。

該模型可檢測非語言元素，如笑聲、音效、音樂和背景噪音，即使在複雜環境中也能執行準確的揚聲器分離。

揚聲器分離是在錄音中分離多個揚聲器的過程，Scribe 可以在音訊檔中識別多達 32 個不同的揚聲器。

主要功能包括多說話人錄音中的說話人區分、單詞級時間戳、非語音事件檢測以及通過 API 進行結構化轉錄輸出。

Scribe 目前可在 ElevenLabs 網站上或通過 API 獲得，輸入音訊每小時 0.40 USD。

在接下來的六周內，它將享受 50% 的折扣，並且正在為即時應用程式開發低延遲版本。

對於企業來說，Scribe 對於需要自動化文檔、會議轉錄和內容可訪問性的行業來說是一個有價值的工具。

跨國公司、媒體公司和客戶支援也可以使用它。

競爭對手 Hume AI 也在同一天推出了 Octave。

Octave 是一種基於 LLM 的模型，允許使用者通過 AI 生成的聲音控制情緒，專為內容創建而設計，包括有聲讀物、播客和遊戲語音。

目前，Octave 支援英語和西班牙文，並計劃在未來擴展到更多語言。

用戶可以通過 Hume 的網站或 API 存取此服務。

API 每分鐘最多可以發出 50 個請求，文本最多可以包含 5000 個字元。

免費計劃每月提供 10,000 個字元（約 10 分鐘）的文本轉語音和無限的自定義語音。

付費計劃起價為 3 美元，價格根據使用方式和功能而有所不同。
Hume 強調，其 Octave TTS 的價格大約是其競爭對手 ElevenLabs 的一半。