بطاقة عنوان تحمل «Scribe v3: second at 1.95%» مع العنوان الفرعي «Non-streaming AA-WER Index, November 2026»، إلى جانب منصة تتويج بثلاثة أعمدة مُعلَّمة بـ 1.73% preview، و1.95% Scribe v3 بالفضي مع لمسة دافئة، و2.04%، فوق تذييل يحمل «Figures per Artificial Analysis، AA-WER v2.2».
Guides & Insights

ElevenLabs Scribe v3: الثاني في AA-WER بنسبة 1.95%، خلف إصدار معاينة

الكاتب

jinhao.song

تاريخ النشر

أحدث النماذج · 20عرض جميع النماذج →
المعايير: Artificial Analysis · يُحدَّث يوميًا
العودة إلى جميع المقالات

الرقم الأبرز لـ ElevenLabs Scribe v3 هو معدل خطأ الكلمات البالغ 1.95%، في المركز الثاني على لوحة AA-WER v2.2 غير المتدفقة التابعة لـ Artificial Analysis، خلف A​libaba's Fun-Realtime-ASR-preview عند 1.73% وأمام Microsoft AI's MAI-Transcribe-2 عند 2.04%. هذه الجملة دقيقة، وهي أيضًا أقل الطرق فائدةً لقراءة النتيجة، لأن 1.95% ليست قياسًا — بل هي متوسط مرجّح لثلاث مجموعات اختبار مختلفة، وعلى واحدة منها ليس Scribe v3 في المركز الثاني على الإطلاق. بل هو الأول، متقدمًا على النموذج الذي يتفوق عليه في الترتيب. أطلقت ElevenLabs نموذج Scribe v3 في 9 نوفمبر 2026، واستبدلت Scribe v2 ضمن نفس استدعاء API، وخفضت سعر كل نموذج من نماذج Scribe في 17 نوفمبر. بعد عشرة أيام، لم يعد السؤال المثير للاهتمام هو ما إذا كان النموذج جيدًا. بل أي الأرقام الثلاثة ينبغي أن تصدّقها.

ما الذي يتكوّن منه 1.95% في الواقع

{{1}}لا تنشر Artificial Analysis معدل WER واحدًا لكل نموذج.{{/1}} بل تنشر {{2}}مؤشرًا مركبًا (AA-WER Index){{/2}} مبنيًا على {{3}}ثلاث مجموعات بيانات منظّفة{{/3}}، ولكل مجموعة نمط فشل مختلف: {{4}}كلام مقروء من كتب صوتية على غرار LibriVox{{/4}}، و{{5}}كلام برلماني من البرلمان الأوروبي{{/5}}، و{{6}}مكالمات أرباح عفوية متعددة المتحدثين بإنجليزية ذات لكنة{{/6}}. {{7}}إن حساب متوسطها في مؤشر واحد تسهيل معقول وأداة شراء سيئة{{/7}}، لأن {{8}}المجموعات الثلاث لا ترتب النماذج نفسها بالطريقة نفسها{{/8}}.

إليك ما تعرضه اللوحة الحالية للمراكز الأربعة الأولى، موزّعة بالتفصيل. كل رقم أدناه خاص بـ Artificial Analysis، مأخوذ من حمولة بيانات اللوحة بدلًا من العرض المقرّب:

• مؤشر AA-WER المركّب — Fun-Realtime-ASR-preview ‏1.73%، Scribe v3 ‏1.95%، MAI-Transcribe-2 ‏2.04%، Scribe v2 ‏2.18%.

• المجموعة الأساسية AA-STT — Scribe v3 بنسبة 1.47%، وScribe v2 بنسبة 1.51%، وMAI-Transcribe-2 بنسبة 1.83%، وFun-Realtime-ASR-preview بنسبة 1.97%. يحقّق Scribe v3 الفوز في هذه الجولة بفارق واضح، في حين يحلّ الطراز المتقدّم عليه في الترتيب أخيرًا بين الأربعة.

• VoxPopuli (برلماني) — Fun-Realtime-ASR-preview ‏1.17%، MAI-Transcribe-2 ‏1.50%، Scribe v3 ‏1.52%، Scribe v2 ‏1.74%. يحتل Scribe v3 المرتبة الثالثة هنا، بفارق ضئيل خلف Microsoft.

• Earnings-22 (عفوي، بلكنة، متعدد المتحدثين) — Fun-Realtime-ASR-preview 1.80%، MAI-Transcribe-2 2.99%، Scribe v3 3.34%، Scribe v2 3.95%. هنا ينقلب الترتيب بأشد ما يكون: تتفوق Microsoft على ElevenLabs بفارق 0.35 نقطة، ويختفي فارق 0.09 نقطة الخاص بالمركّب.

Bar chart titled 'The 1.95% is an average of four different rankings', showing word error rate for Scribe v3, Scribe v2, MAI-Transcribe-2 and Fun-Realtime-ASR-preview across four corpora — composite, core AA-STT, VoxPopuli and Earnings-22 — with Scribe v3 highlighted in blue at 1.95%, 1.47%, 1.52% and 3.34% and a footer crediting Artificial Analysis AA-WER v2.2, read 20 November 2026.

النمط ليس عشوائيًا. يتميّز Scribe v3 بأفضل أداء له في الكلام المقروء النقي، وأضعف أداء له في المدونة التي تشبه اجتماعًا حقيقيًا — متحدثون متداخلون، وتلعثم، ونطاق ترددي هاتفي، ولهجات. وهذه أيضًا هي المدونة التي يهتم بها مشترو المؤسسات فعليًا، ولهذا قد يتباين ترتيب المُركّب مع تجربة مركز اتصال. إذا كان صوتك عبارة عن بودكاست ومقابلات استوديو، فإن رقم 1.47% أقرب إلى عالمك من 1.95%. وإذا كان عبارة عن مكالمات مبيعات، فإن 3.34% هو الأقرب.

النموذج الذي فوقه هو معاينة

يحتل Fun-Realtime-ASR-preview المركز الأول في التصنيف المركّب، ويحقق ذلك بفضل أصعب مجموعتي بيانات لا أسهلهما. ويعمل أيضًا بمتوسط معامل سرعة يبلغ 20.3 — أي نحو عُشر الزمن الحقيقي تقريبًا — ما يعني أن ساعة من الصوت تستغرق نحو ثلاث دقائق، ويُسعّر بـ2.82 دولار لكل 1000 دقيقة. أما Scribe v3 فينسخ بمعدل 76.8× من الزمن الحقيقي مقابل 3.33 دولار لكل 1000 دقيقة. لذا فالمتصدّر أبطأ، وأرخص في الغالب، ويحمل اسمًا يقول preview.

لا شيء من ذلك يجعل الترتيب خاطئًا؛ فالمؤشر يقيس الدقة لا الجاهزية. لكنه يعني أن جملة «Scribe v3 في المركز الثاني» تفترض وجود مركز أول يحتله نموذج إنتاجي، وهذا ليس صحيحًا. لا تحمل مشاركة Alibaba تاريخ إصدار على لوحة الصدارة، ولا تفصيلًا منشورًا لكل لغة، وتحمل كلمة «preview» في المعرّف. والفريق الذي يختار مورّدًا هذا الربع يقارن منتجًا مطروحًا للاستخدام مع إصدار تقييمي، والفارق البالغ 0.22 نقطة بينهما أصغر من الفرق بين مجموعتي بيانات داخل المؤشر نفسه.

من v2 إلى v3، مقاسة بطريقتين

أرقام الإطلاق التي أعلنتها ElevenLabs نفسها عن Scribe v3 هي انخفاض بنسبة 27% في أخطاء الكلمات مقارنةً بـ Scribe v2 عبر 102 لغة في تشغيل داخلي على FLEURS — من 16.94% إلى 12.38% — مع تحسّن مُدّعى في كل لغة جرى اختبارها، إضافةً إلى انخفاض بنسبة 12% في أخطاء تمييز المتحدثين و17% عند وجود ثلاثة متحدثين أو أكثر. هذه أرقام صادرة عن البائع، جرى تشغيلها على نسخة البائع الخاصة من معيار تقييم عام، وElevenLabs صريحة على نحو غير معتاد في أن حسابها لمتوسط FLEURS يتم لكل لغة على حدة وليس على مستوى المدونة الكاملة، وبالتالي فهو غير قابل للمقارنة بأرقام FLEURS المنشورة.

تُظهر Artificial Analysis، عند تشغيلها أداة الاختبار الخاصة بها، مكسبًا أصغر: من 2.18% إلى 1.95% على النتيجة المركبة، أي نحو 11% نسبيًا، ومن 53.5× إلى 76.8× في الإنتاجية. يمكن أن تكون كلتا العبارتين صحيحتين. إن تحسّنًا نسبيًا بنسبة 27% على FLEURS متعدد اللغات وتحسّنًا نسبيًا بنسبة 11% على ثلاث مجموعات نصوص إنجليزية يقيسان أمرين مختلفين، والفجوة بينهما هي أكثر حقيقة مفيدة في مواد الإطلاق — فهي تخبرك بأن المكسب متركز خارج الكلام الإنجليزي المقروء، وهو بالضبط المكان الذي يقول المورّد إنه نظر إليه.

Screenshot of the ElevenLabs Speech to Text documentation page showing its model cards: Scribe v3 as the most accurate speech recognition model for recorded audio with 27% fewer word errors than Scribe v2 on FLEURS, diarization to 32 speakers, keyterm prompting up to 1,000 terms and word-level timestamps, alongside the Scribe v3 Live card claiming 44% lower semantic WER than Scribe v2 Realtime.

الفارق في الميزات بين الجيلين أضيق مما يوحي به التسويق. فـ Scribe v3 يحتفظ بمجموعة ميزات v2: ما يصل إلى 32 متحدثًا في تمييز المتحدثين، و1,000 مصطلح رئيسي للدفعات، وطوابع زمنية على مستوى الكلمة، واكتشاف الكيانات، وتحرير النصوص، والتصدير إلى SRT وDOCX. ويضيف استدلالًا تلقائيًا للغة التسجيل، وتحكمًا في تنسيق الأرقام، ورموز لغات ثانوية، وعلى جانب الوقت الفعلي مكتبة مصطلحات رئيسية تضم 10,000 مصطلح والتنبؤ بالأدوار. كما يحذف شيئًا: لا يوجد وضع النص الحرفي. وتقدم Microsoft's MAI-Transcribe-2 كلاً من النمطين الحرفي والمنقّح عبر مفتاح واحد، وبالنسبة لنصوص الامتثال وضمان الجودة فإن هذا فرق وظيفي وليس شكليًا.

ماذا فعل 17 نوفمبر بالحساب

بعد ثمانية أيام من الإطلاق، خفّضت ElevenLabs أسعار Speech to Text بشكل شامل: 0.20 دولار لكل ساعة للنسخ على دفعات و0.22 دولار لكل ساعة للنسخ في الوقت الفعلي، على خطط الخدمة الذاتية وBusiness، ولكل نموذج Scribe. أي 3.33 دولار و3.67 دولار لكل 1,000 دقيقة. إنه الرقم الذي يجعل جدول الدقة قابلاً للاستناد إليه، لأن فارق دقة قدره 0.09 نقطة مقابل Microsoft كان من السهل تبريره في الأسعار القديمة، أما في الأسعار الجديدة فإن فجوة السعر هي الحجة كلها.

Screenshot of the ElevenLabs changelog entry headed 'Lower Speech to Text prices', stating that Speech to Text now costs $0.20 per hour for batch transcription and $0.22 per hour for realtime transcription for every Scribe model on all self-serve and Business plans, with enterprise pricing unchanged, and the November 9 and November 17, 2026 sidebar entries visible.

تحذير واحد بشأن قراءة عمود السعر في لوحة الصدارة: سعر Scribe v3 البالغ 3.33 دولارًا هو بالضبط 0.20 دولار في الساعة، وسعر Scribe v2 البالغ 3.67 دولارًا هو بالضبط 0.22 دولار في الساعة، وهما سعرا الدفعات والوقت الفعلي في قائمة ElevenLabs الحالية. صفّان من ElevenLabs مسعّران بوحدتين مختلفتين سيُقرآن على أنهما خصم قدره 34 سنتًا لكل ألف من v2 إلى v3، وهو خصم غير موجود. تحقّق مما عاينه المتتبّع قبل استخلاص أي استنتاج تسعيري من جدول مُرتّب.

يجدر القول بوضوح لأي شخص يبني خط المعالجة الذي يقف خلف النص المفرّغ: لا يوجد أي من نماذج الكلام هذه — لا Scribe v3 ولا MAI-Transcribe-2 — ضمن قائمة OrcaRouter، والأسعار المذكورة أعلاه هي أسعار ElevenLabs وMicrosoft، وليست أسعارنا. ما نوجّهه هو الطبقة التي يتغذى عليها النص المفرّغ: ملاحظات الاجتماعات إلى نموذج، ومراجعة الامتثال إلى نموذج آخر، كل ذلك خلف مفتاح واحد، مع تمرير أسعار قوائم المزوّدين دون أي هامش ربح وتحويل تلقائي عند الفشل بين المزوّدين. وهذا يهم في خطوط معالجة الكلام أكثر من غيرها، لأن النص المفرّغ هو المدخل، وليس المنتج، والمنتج عادةً يقع على بُعد ثلاث استدعاءات نماذج لاحقة.

ما الذي ينبغي أن يحسمه الأسبوعان القادمان

هناك أمران مفقودان من هذه الصورة وكلاهما مؤقت. الأول هو لوحة البث. فقد طُرح Scribe v3 Live إلى جانب النموذج الدفعي مع مزاعم بخفض خطأ الكلمات بنسبة 31% وبانخفاض بنسبة 43% في معدل خطأ الكلمات الدلالي مقارنةً بـ Scribe v2 Realtime عبر 102 لغة، إضافةً إلى أول تمييز للمتحدثين في الوقت الفعلي تطلقه ElevenLabs — بخطأ نسبته 3.1% في الشريحة الإنجليزية من مجموعة من 16 لغة، مقابل 5.9% إلى 7.3% لنماذج أخرى في الوقت الفعلي. هذه أرقام البائع على مرجع متوافق مع البائع، ولم تُدرج لوحة صدارة البث النموذج بعد، لذا فإن الادعاء غير قابل للدحض حالياً بدلاً من كونه مؤكداً.

البديل الثاني هو النسخة الطبية، Scribe v3 Live Medical، وهي ليست نموذج API على الإطلاق: فهي تعمل داخل ElevenAgents، وهي في مرحلة الوصول المبكر، وتحتاج إلى نموذج الدور turn_v3، وليس لها سعر منفصل، وتحمل تحذيرًا في التوثيق بعدم إرسال معلومات صحية محمية إلى أن يتم تأكيد أهليتها لـ HIPAA. أما نموذج API الطبي للدفعات فيظل Scribe v2 Medical. عائلة أُطلقت بثغرة حيث ينبغي أن يكون منتجها السريري للدفعات.

إذن، الخلاصة الصادقة في سطر واحد عن Scribe v3 بعد عشرة أيام: إنه أفضل نموذج غير متدفق على الكلام المقروء النقي، والثاني أفضل في الاجتماعات، وأسرع ما أطلقته ElevenLabs، و—بعد 17 نوفمبر—رخيص بما يكفي بحيث تشير حجة الدقة وحجة السعر أخيرًا إلى الاتجاه نفسه. الشيء الوحيد الذي يتقدمه في لوحة التصنيف هو نسخة معاينة، ونسخ المعاينة لا توقّع عقودًا.