イレブンラボ「Scribe v3」公開、音声認識の誤り27％減

音声AI企業のイレブンラボ（ElevenLabs）は現地時間11月10日、音声認識（STT）モデル「Scribe v3」と、リアルタイム処理向けの「Scribe v3 Live」を公開した。同社によると、誤りは前世代と比べてそれぞれ27％、43％減った。リアルタイムモデルが文字起こしと同時に話者を区別するのは、Scribeシリーズで初めてである。

ポイント

• 録音ファイル向けのScribe v3は、社内版FLEURSベンチマークの102言語で単語誤りをScribe v2比27％削減した。
• リアルタイム向けのScribe v3 Liveは、意味ベースの単語誤り率をv2 Realtime比43％下げ、リアルタイムの話者分離を加えた。
• API定価は前世代と同じく1時間あたり0.20ドル（v3）、0.22ドル（v3 Live）に据え置かれた。

Scribe v3の認識精度

イレブンラボは、102言語の短くクリアな朗読音声からなるベンチマーク「FLEURS」の社内版で性能を測った。同社によれば、単語誤り率（WER）はScribe v2より27％低下し、テストしたすべての言語で改善した。

言語別ではドイツ語が42％、スペイン語が35％、英語が23％改善した。文字起こしが難しい言語でも、スワヒリ語34％、タミル語29％、タイ語28％の改善である。

話者分離の誤りは、v2と比べて全体で12％、3人以上が話す録音では17％少なかった。会議の議事録では、誰が話したかの精度が言葉そのものと同じくらい重要になる。

リアルタイム版「Scribe v3 Live」で何が変わるか

改善幅はリアルタイムモデルの方が大きい。同社は、意味が変わる場合だけを誤りと数える「意味ベースWER」をv2 Realtime比で43％、通常のWERを31％下げたと説明する。言語別ではギリシャ語77％、デンマーク語54％、クロアチア語45％、ヒンディー語36％の改善だ。

同社が実際の会議や通話、ボイスメモから独自に作った16言語のデータセットのうち英語部分では、Scribe v3 Liveの話者分離誤り率は3.1％だった。比較した他のリアルタイムモデルは5.9〜7.3％である。同社はこのデータセットを「近く」公開するとしている。

発話の終わりは無音の長さだけでなく会話の文脈からも判断する。番号を読み上げる途中で間を置いた通話者の話を遮らないためだ。文の途中で言語を切り替える話者向けの多言語モードも備えた。

オランダのエネコが先行テスト

オランダで200万を超える家庭や企業にエネルギーを供給するエネコ（Eneco）は、発売前に自社の音声エージェントでScribe v3 Liveを試した。イレブンラボによると、実際の顧客通話で郵便番号を一度で正しく認識した割合が40％、番地は15％高まった。

エネコのシニアプロダクトマネージャー、ルート・ハイスロート（Ruud Huigsloot）氏は「これほど早い段階で大きな成果が見られたのは素晴らしく、今後の協力も楽しみだ」と述べた。

料金と開発者向け機能

同社のAPI料金ページによると、Scribe v3は1時間あたり0.20ドル、v3 Liveは0.22ドルで、それぞれv2、v2 Realtimeと同額である。ブランド名や薬品名など登場が予想される用語を最大1,000語まで事前に指定できる「キーターム・プロンプト」は、時間あたりの追加料金がかかる。v3 Liveには、ドキュメント上最大10万語を収められる「キーターム・ライブラリー」（別料金）が加わった。

既存の連携は、モデルIDをscribe_v3またはscribe_v3_liveに変えるだけで移行できる。

背景：競争が激しい音声認識市場

今回の発表は、競合のソニオックス（Soniox）が音声エージェント向け「STT v6」をリアルタイム1時間0.12ドルで投入してから1週間後のことだ。グーグルなど大手プラットフォームも、より安価な音声モデルを打ち出している。

ただし、精度の数値はいずれもイレブンラボ自身のテスト結果である。同社は、1時間の会議は約9,000語に相当し、誤り率4％と2％の差は180語になると説明している。

今後の見通し

両モデルは標準では米国で処理され、企業顧客にはEU、インド、シンガポールの分離環境も用意される。医療向けに調整したScribe v3 LiveもElevenAgentsで提供される。第三者によるベンチマークや、公開予定のデータセットはまだ出ていない。

よくある質問

Scribe v3とv3 Liveの違いは？ Scribe v3は録音ファイルの文字起こし用、v3 Liveは音声エージェントの通話のように流れてくる音声を低遅延で処理するモデルである。

料金は？ API料金ページでは、v3が1時間0.20ドル、v3 Liveが0.22ドルで、キーターム機能には追加料金がかかる。

精度の数値は第三者が検証したものか？ そうではない。27％、43％という数値は、社内版FLEURSと独自データセットを使ってイレブンラボが測定した結果だ。

参考資料

• Introducing Scribe v3 and v3 Live, our most accurate speech to text models — ElevenLabs（2026年11月10日）
• Models | ElevenLabs Documentation — ElevenLabs
• ElevenLabs API Pricing: Plans for Creators & Businesses of All Sizes — ElevenLabs