
ElevenLabs Scribe v3 : deuxième sur AA-WER à 1,95 %, derrière un aperçu
- OrcaNOUVEAUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 par million de tokens · 184 tok/s
- tencentNOUVEAUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 par million de tokens · 506 tok/s
- AlibabaNOUVEAUQwen: Qwen4 Max2026-11-16$1.50 / $4.50 par million de tokens · 262 tok/s
- GoogleNOUVEAUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 par million de tokens · 94 tok/s
- AnthropicNOUVEAUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 par million de tokens · 222 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 par million de tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 par million de tokens · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 par million de tokens · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 par million de tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 par million de tokens · 104 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 par million de tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 par million de tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligence
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 par million de tokens · 216 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligence
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 par million de tokens · 108 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligence
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 par million de tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligence
Le chiffre phare d’ElevenLabs Scribe v3 est un taux d’erreur sur les mots de 1,95 %, ce qui le place deuxième du classement non-streaming AA-WER v2.2 d’Artificial Analysis, derrière Fun-Realtime-ASR-preview d’Alibaba à 1,73 % et devant MAI-Transcribe-2 de Microsoft AI à 2,04 %. Cette phrase est exacte, et c’est aussi la manière la moins utile de lire le résultat, car 1,95 % n’est pas une mesure — c’est une moyenne pondérée de trois jeux de tests différents, et sur l’un d’eux, Scribe v3 n’est pas du tout deuxième. Il est premier, devant le modèle qui le surclasse. ElevenLabs a lancé Scribe v3 le 9 novembre 2026, remplacé Scribe v2 dans le même appel API et réduit le prix de tous les modèles Scribe le 17 novembre. Dix jours après, la question intéressante n’est plus de savoir si le modèle est bon. C’est de savoir lequel des trois chiffres vous devez croire.
Ce qui compose réellement les 1,95 %
{{1}}Artificial Analysis ne publie pas un seul WER par modèle. Elle publie un composite (l’AA-WER Index) construit à partir de trois corpus nettoyés, et chaque corpus a un mode de défaillance différent : de la parole lue issue de livres audio de style LibriVox, de la parole parlementaire issue du Parlement européen, et des conférences de résultats spontanées à plusieurs locuteurs en anglais accentué. Les moyenner en un index unique est une commodité raisonnable et un mauvais outil d’achat, car les trois ne classent pas les mêmes modèles de la même façon.{{/1}}
Voici ce que le tableau actuel affiche pour les quatre premiers, en détail. Chaque chiffre ci-dessous provient d'Artificial Analysis lui-même, lu dans les données du tableau plutôt que dans l'affichage arrondi :
• AA-WER composite — Fun-Realtime-ASR-preview 1,73 %, Scribe v3 1,95 %, MAI-Transcribe-2 2,04 %, Scribe v2 2,18 %.
• L'ensemble AA-STT principal — Scribe v3 1,47 %, Scribe v2 1,51 %, MAI-Transcribe-2 1,83 %, Fun-Realtime-ASR-preview 1,97 %. Scribe v3 remporte cette manche haut la main, et le modèle classé au-dessus termine dernier des quatre.
• VoxPopuli (parlementaire) — Fun-Realtime-ASR-preview 1,17 %, MAI-Transcribe-2 1,50 %, Scribe v3 1,52 %, Scribe v2 1,74 %. Scribe v3 se classe troisième ici, à un cheveu derrière Microsoft.
• Earnings-22 (spontané, avec accents, multi-locuteurs) — Fun-Realtime-ASR-preview 1,80 %, MAI-Transcribe-2 2,99 %, Scribe v3 3,34 %, Scribe v2 3,95 %. C'est ici que le classement s'inverse le plus fortement : Microsoft devance ElevenLabs de 0,35 point, et l'écart de 0,09 point du composite disparaît.

Le schéma n’est pas aléatoire. Scribe v3 est le plus performant sur de la parole lue et propre, et le moins performant sur le corpus qui ressemble à une réunion réelle — locuteurs qui parlent en même temps, disfluences, bande passante téléphonique, accents. C’est aussi le corpus qui importe le plus aux acheteurs d’entreprise, raison pour laquelle le classement du composite et l’expérience d’un centre de contact peuvent diverger. Si votre audio est constitué de podcasts et d’entretiens en studio, le chiffre de 1,47 % est plus proche de votre réalité que celui de 1,95 %. S’il s’agit d’appels commerciaux, c’est le chiffre de 3,34 %.
Le modèle au-dessus est un aperçu.
Fun-Realtime-ASR-preview occupe la première place sur le score composite, et il y parvient grâce aux deux corpus les plus difficiles plutôt qu’au plus facile. Il tourne aussi à un facteur de vitesse médian de 20,3 — environ un vingtième du temps réel —, ce qui signifie qu’une heure d’audio prend environ trois minutes, et il est affiché à 2,82 $ par 1 000 minutes. Scribe v3 transcrit à 76,8× le temps réel pour 3,33 $ par 1 000 minutes. Ainsi, le leader est plus lent, globalement moins cher, et son nom contient le mot « preview ».
Rien de tout cela n’invalide le classement ; l’indice mesure l’exactitude, pas la maturité. Cela signifie toutefois que la phrase « Scribe v3 est deuxième » implique une première place occupée par un modèle de production, ce qui n’est pas le cas. L’entrée d’Alibaba n’a pas de date de sortie sur le tableau, aucune répartition publiée par langue, et le mot « preview » figure dans l’identifiant. Une équipe qui choisit un fournisseur ce trimestre compare un produit commercialisé à une version d’évaluation, et l’écart de 0,22 point entre eux est plus petit que la différence entre deux corpus au sein du même indice.
v2 à v3, mesuré de deux façons
Les chiffres de lancement d'ElevenLabs pour Scribe v3 font état d'une réduction de 27 % des erreurs de mots par rapport à Scribe v2 sur 102 langues lors d'une exécution FLEURS interne — de 16,94 % à 12,38 % — avec une amélioration revendiquée dans chaque langue testée, ainsi qu'une réduction de 12 % des erreurs de diarisation et de 17 % lorsque trois locuteurs ou plus sont présents. Ce sont des chiffres du fournisseur, obtenus sur sa propre version d'un benchmark public, et ElevenLabs reconnaît avec une franchise inhabituelle que sa moyenne FLEURS est calculée par langue plutôt qu'au niveau du corpus et n'est donc pas comparable aux chiffres FLEURS publiés.
Artificial Analysis, en exécutant son propre banc d’essai, montre un gain plus faible : de 2,18 % à 1,95 % sur le composite, soit environ 11 % en relatif, et de 53,5× à 76,8× sur le débit. Les deux affirmations peuvent être vraies. Une amélioration relative de 27 % sur FLEURS multilingue et une amélioration relative de 11 % sur trois corpus anglais mesurent des choses différentes, et l’écart entre elles est le fait le plus utile dans les documents de lancement — il vous dit que le gain est concentré en dehors de la parole lue en anglais, ce qui est exactement là où le fournisseur dit avoir regardé.

L’écart de fonctionnalités entre les deux générations est plus étroit que ne le laisse entendre le marketing. Scribe v3 conserve l’ensemble des fonctionnalités de la v2 : jusqu’à 32 locuteurs en diarisation, 1 000 termes clés pour le traitement par lots, horodatages au niveau du mot, détection d’entités, édition de transcription, export vers SRT et DOCX. Il ajoute l’inférence automatique de la langue pour un enregistrement, un contrôle du format des nombres, des codes de langue secondaire et, côté temps réel, une bibliothèque de 10 000 termes clés et la prédiction de tours de parole. Il supprime aussi quelque chose : il n’y a pas de mode verbatim. MAI-Transcribe-2 de Microsoft propose à la fois les styles verbatim et propre via un seul commutateur, et pour les transcriptions de conformité et d’assurance qualité, il s’agit d’une différence fonctionnelle, pas cosmétique.
Ce que le 17 novembre a fait à l’arithmétique
Huit jours après le lancement, ElevenLabs a réduit les tarifs de Speech to Text sur toute la gamme : 0,20 $ par heure pour la transcription par lots et 0,22 $ par heure pour le temps réel, sur les forfaits en libre-service et Business, pour chaque modèle Scribe. Cela représente 3,33 $ et 3,67 $ pour 1 000 minutes. C’est le chiffre qui rend le tableau de précision exploitable, car aux anciens tarifs, un déficit de précision de 0,09 point face à Microsoft était facile à défendre, tandis qu’aux nouveaux, l’écart de prix constitue tout l’argument.

Une mise en garde concernant la lecture de la colonne des prix du classement : les 3,33 $ de Scribe v3 correspondent exactement à 0,20 $ de l’heure, et les 3,67 $ de Scribe v2 correspondent exactement à 0,22 $ de l’heure, soit les tarifs batch et temps réel dans la liste actuelle d’ElevenLabs. Deux lignes ElevenLabs associées à deux SKU différents seront lues comme une remise de 34 cents par millier de v2 à v3 qui n’existe pas. Vérifiez ce que le tracker a échantillonné avant de tirer une conclusion tarifaire d’un tableau classé.
Il vaut la peine de le dire clairement à quiconque construit le pipeline derrière la transcription : aucun de ces modèles vocaux — ni Scribe v3, ni MAI-Transcribe-2 — ne figure au catalogue d’OrcaRouter, et les tarifs ci-dessus sont ceux d’ElevenLabs et de Microsoft, pas les nôtres. Ce que nous routons, c’est la couche que la transcription alimente : les notes de réunion vers un modèle, la revue de conformité vers un autre, le tout derrière une seule clé, avec les prix catalogue des fournisseurs répercutés à 0 % de marge et le basculement automatique entre fournisseurs. Cela compte davantage dans les pipelines vocaux qu’ailleurs, car la transcription est l’entrée, pas le produit, et le produit se trouve généralement trois appels de modèles en aval.
Ce que les deux prochaines semaines devraient permettre de trancher
Deux choses manquent à ce tableau, et toutes deux sont temporaires. La première est le classement du streaming. Scribe v3 Live est sorti en même temps que le modèle batch avec, à l’appui, une réduction annoncée de 31 % du taux d’erreur sur les mots et un WER sémantique inférieur de 43 % à celui de Scribe v2 Realtime sur 102 langues, ainsi que la première diarisation en temps réel livrée par ElevenLabs — 3,1 % d’erreur sur la portion anglaise d’un ensemble de 16 langues, contre 5,9 % à 7,3 % pour les autres modèles temps réel. Ce sont des chiffres fournisseur sur une référence alignée sur le fournisseur, et le classement du streaming n’a pas encore tracé le modèle ; l’affirmation est donc pour l’instant non réfutable plutôt que confirmée.
Le second est la variante médicale, Scribe v3 Live Medical, qui n’est pas du tout un modèle API : il réside dans ElevenAgents, est en accès anticipé, nécessite le modèle de tour turn_v3, n’a pas de tarif distinct et comporte un avertissement dans la documentation indiquant de ne pas envoyer d’informations de santé protégées tant que l’éligibilité HIPAA n’est pas confirmée pour lui. Le modèle médical de l’API par lots reste Scribe v2 Medical. Une famille lancée avec un trou là où devrait se trouver son produit clinique par lots.
Donc, le verdict honnête en une ligne sur Scribe v3 après dix jours : c’est le meilleur modèle non-streaming sur de la parole lue propre, le deuxième meilleur sur les réunions, la chose la plus rapide qu’ElevenLabs ait livrée, et — après le 17 novembre — assez bon marché pour que l’argument de la précision et celui du prix pointent enfin dans la même direction. La seule chose qui le devance au classement est une version préliminaire, et les versions préliminaires ne signent pas de contrats.
