
ElevenLabs Scribe v3: segundo en AA-WER con un 1,95 %, por detrás de una versión preliminar
- OrcaNUEVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 184 tok/s
- tencentNUEVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 506 tok/s
- AlibabaNUEVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 por 1M de tokens · 262 tok/s
- GoogleNUEVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 94 tok/s
- AnthropicNUEVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 222 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 104 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencia
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 216 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencia
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 108 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencia
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencia
La cifra principal de ElevenLabs Scribe v3 es una tasa de error de palabras del 1,95 %, segundo puesto en la tabla AA-WER v2.2 para modelos no en streaming de Artificial Analysis, por detrás de Fun-Realtime-ASR-preview de Alibaba con un 1,73 % y por delante de MAI-Transcribe-2 de Microsoft AI con un 2,04 %. Esa frase es precisa y también es la forma menos útil de leer el resultado, porque 1,95 % no es una medición: es un promedio ponderado de tres conjuntos de pruebas diferentes, y en uno de ellos Scribe v3 no es segundo en absoluto. Es primero, por delante del modelo que lo supera en la clasificación. ElevenLabs lanzó Scribe v3 el 9 de noviembre de 2026, reemplazó Scribe v2 en la misma llamada a la API y redujo el precio de todos los modelos Scribe el 17 de noviembre. Diez días después, la pregunta interesante ya no es si el modelo es bueno. Es cuál de los tres números deberías creer.
¿De qué está compuesto realmente el 1,95%?
Artificial Analysis no publica un WER por modelo. Publica un compuesto (el AA-WER Index) construido a partir de tres corpus depurados, y cada corpus tiene un modo de fallo distinto: habla leída de audiolibros al estilo LibriVox, habla parlamentaria del Parlamento Europeo y llamadas de resultados espontáneas con varios hablantes en inglés con acento. Promediarlos en un único índice es una comodidad razonable y una mala herramienta de adquisición, porque los tres no clasifican a los mismos modelos de la misma manera.
Esto es lo que muestra el tablero actual para los cuatro primeros, desglosado. Todas las cifras a continuación son de Artificial Analysis y se leen de la carga de datos del tablero, no de la visualización redondeada:
• AA-WER compuesto: Fun-Realtime-ASR-preview 1,73 %, Scribe v3 1,95 %, MAI-Transcribe-2 2,04 %, Scribe v2 2,18 %.
• El conjunto principal de AA-STT: Scribe v3 1,47 %, Scribe v2 1,51 %, MAI-Transcribe-2 1,83 %, Fun-Realtime-ASR-preview 1,97 %. Scribe v3 se lleva esta categoría sin discusión, y el modelo clasificado por encima de él termina último de los cuatro.
• VoxPopuli (parlamentario) — Fun-Realtime-ASR-preview 1,17 %, MAI-Transcribe-2 1,50 %, Scribe v3 1,52 %, Scribe v2 1,74 %. Scribe v3 queda tercero aquí, ligeramente por detrás de Microsoft.
• Earnings-22 (espontáneo, con acento, varios hablantes) — Fun-Realtime-ASR-preview 1,80 %, MAI-Transcribe-2 2,99 %, Scribe v3 3,34 %, Scribe v2 3,95 %. Aquí es donde el orden se invierte con más fuerza: Microsoft supera a ElevenLabs por 0,35 puntos y la diferencia de 0,09 puntos del compuesto desaparece.

El patrón no es aleatorio. Scribe v3 es más fuerte con habla leída limpia y más débil con el corpus que se parece a una reunión real: hablantes que se solapan, disfluencias, ancho de banda telefónico, acentos. Ese es también el corpus que más interesa a los compradores empresariales, por lo que el orden del compuesto y la experiencia de un centro de contacto pueden divergir. Si tu audio son pódcasts y entrevistas de estudio, la cifra del 1,47 % está más cerca de tu mundo que la del 1,95 %. Si son llamadas de ventas, lo está la del 3,34 %.
El modelo que está encima de él es una vista previa.
Fun-Realtime-ASR-preview ocupa el primer lugar en la clasificación compuesta, y lo consigue gracias a los dos corpus más difíciles y no al fácil. Además, funciona con un factor de velocidad mediano de 20,3 —aproximadamente una vigésima parte del tiempo real—, lo que significa que una hora de audio tarda unos tres minutos, y tiene un precio de lista de 2,82 USD por cada 1000 minutos. Scribe v3 transcribe a 76,8× el tiempo real por 3,33 USD por cada 1000 minutos. Así que el líder es más lento, más barato en general y lleva un nombre que dice preview.
Nada de eso hace que la clasificación sea incorrecta; el índice mide precisión, no preparación. Sí significa que la frase «Scribe v3 es segundo» implica un primer puesto ocupado por un modelo de producción, y no lo es. La entrada de Alibaba no tiene fecha de lanzamiento en la tabla, no incluye un desglose publicado por idioma y contiene la palabra «preview» en el identificador. Un equipo que elija un proveedor este trimestre está comparando un producto ya disponible en el mercado con una versión de evaluación, y la diferencia de 0,22 puntos entre ambos es menor que la diferencia entre dos corpus dentro del mismo índice.
de v2 a v3, medido de dos formas
Las cifras de lanzamiento de ElevenLabs para Scribe v3 son una reducción del 27 % en los errores de palabras frente a Scribe v2 en 102 idiomas en una ejecución interna de FLEURS —del 16,94 % al 12,38 %—, con mejoras declaradas en todos los idiomas probados, además de una reducción del 12 % en los errores de diarización y del 17 % cuando hay tres o más hablantes presentes. Son cifras del proveedor, obtenidas con la propia versión del proveedor de un benchmark público, y ElevenLabs es inusualmente sincera al señalar que su promedio de FLEURS es por idioma y no a nivel de corpus y, por tanto, no es comparable con las cifras de FLEURS publicadas.
Artificial Analysis, ejecutando su propio harness, muestra una ganancia menor: del 2,18 % al 1,95 % en el índice compuesto, alrededor del 11 % relativo, y de 53,5× a 76,8× en rendimiento. Ambas afirmaciones pueden ser ciertas. Una mejora relativa del 27 % en FLEURS multilingüe y una mejora relativa del 11 % en tres corpus de inglés están midiendo cosas distintas, y la brecha entre ambas es el dato más útil del material de lanzamiento: indica que la ventaja se concentra fuera del habla leída en inglés, que es exactamente donde el proveedor dice que miró.

La diferencia de funciones entre las dos generaciones es más estrecha de lo que da a entender el marketing. Scribe v3 conserva el conjunto de funciones de la v2: hasta 32 hablantes en la diarización, 1.000 términos clave para lotes, marcas de tiempo a nivel de palabra, detección de entidades, edición de transcripciones y exportación a SRT y DOCX. Añade inferencia automática del idioma de una grabación, un control de formato de números, códigos de idioma secundarios y, en el apartado en tiempo real, una biblioteca de 10.000 términos clave y predicción de turnos. También elimina algo: no hay modo literal. MAI-Transcribe-2 de Microsoft ofrece tanto el estilo literal como el limpio mediante un único conmutador, y para las transcripciones de cumplimiento y QA eso es una diferencia funcional, no cosmética.
Lo que el 17 de noviembre le hizo a la aritmética
Ocho días después del lanzamiento, ElevenLabs recortó los precios de Speech to Text en todos los frentes: $0,20 por hora para transcripción por lotes y $0,22 por hora para tiempo real, en los planes autoservicio y Business, para todos los modelos Scribe. Eso es $3,33 y $3,67 por cada 1.000 minutos. Es la cifra que convierte la tabla de precisión en algo accionable, porque con las tarifas anteriores un déficit de precisión de 0,09 puntos frente a Microsoft era fácil de justificar, y con las nuevas la diferencia de precio es todo el argumento.

Una advertencia sobre cómo leer la columna de precios de la tabla de clasificación: los $3.33 de Scribe v3 son exactamente $0.20 por hora y los $3.67 de Scribe v2 son exactamente $0.22 por hora, que son las tarifas por lotes y en tiempo real de la lista actual de ElevenLabs. Dos filas de ElevenLabs con precios de dos SKU diferentes se leerán como un descuento de 34 centavos por mil de v2 a v3 que no existe. Verifica qué muestreó el rastreador antes de sacar una conclusión sobre precios a partir de una tabla clasificada.
Vale la pena decirlo claramente para cualquiera que esté construyendo el pipeline que hay detrás de la transcripción: ninguno de estos modelos de voz —ni Scribe v3 ni MAI-Transcribe-2— figura en la lista de OrcaRouter, y las tarifas anteriores son de ElevenLabs y de Microsoft, no nuestras. Lo que enrutamos es la capa a la que alimenta la transcripción: las notas de reunión a un modelo, la revisión de cumplimiento a otro, todo detrás de una sola clave, con los precios de lista de los proveedores aplicados con un 0 % de margen y conmutación automática por error entre proveedores. Eso importa más en los pipelines de voz que en otros ámbitos, porque la transcripción es la entrada, no el producto, y el producto suele estar tres llamadas a modelos más abajo.
Lo que deberían resolver las próximas dos semanas
Faltan dos cosas en esta imagen y ambas son temporales. La primera es la tabla de streaming. Scribe v3 Live se lanzó junto con el modelo por lotes con una reducción declarada del 31 % en errores de palabra y un WER semántico un 43 % menor que Scribe v2 Realtime en 102 idiomas, además de la primera diarización en tiempo real que ElevenLabs ha lanzado: 3,1 % de error en la porción de inglés de un conjunto de 16 idiomas, frente a 5,9 % a 7,3 % de otros modelos en tiempo real. Esos son números del proveedor sobre una referencia alineada con el proveedor, y la tabla de clasificación de streaming aún no ha graficado el modelo, así que la afirmación actualmente es no falsable en lugar de estar confirmada.
El segundo es la variante médica, Scribe v3 Live Medical, que no es un modelo de API en absoluto: vive en ElevenAgents, está en acceso anticipado, necesita el modelo de turnos turn_v3, no tiene una tarifa separada y lleva una advertencia en la documentación de no enviar información de salud protegida hasta que se confirme su elegibilidad para HIPAA. El modelo médico de la API por lotes sigue siendo Scribe v2 Medical. Una familia que se lanzó con un hueco donde debería estar su producto clínico por lotes.
Así que la lectura honesta en una sola línea de Scribe v3 diez días después es esta: es el mejor modelo sin streaming en habla leída limpia, el segundo mejor en reuniones, lo más rápido que ElevenLabs ha lanzado y —después del 17 de noviembre— lo bastante barato como para que el argumento de la precisión y el del precio por fin apunten en la misma dirección. Lo único que lo supera en la tabla es una vista previa, y las vistas previas no firman contratos.
