Karta tytułowa z napisem „Scribe v3: drugie miejsce z wynikiem 1,95%” i podtytułem „Indeks AA-WER dla trybu niebędącego strumieniowaniem, listopad 2026”, obok podium z trzema słupkami oznaczonymi: 1,73% — podgląd, 1,95% — Scribe v3 w kolorze srebrnym z ciepłym akcentem oraz 2,04%, nad stopką z napisem „Dane według Artificial Analysis, AA-WER v2.2”.
Guides & Insights

ElevenLabs Scribe v3: drugie miejsce w AA-WER z wynikiem 1,95%, za wersją zapoznawczą

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Nagłówkowy wynik ElevenLabs Scribe v3 to 1,95% współczynnika błędów słów — drugie miejsce w rankingu AA-WER v2.2 non-streaming Artificial Analysis, za Fun-Realtime-ASR-preview firmy Alibaba (1,73%) i przed MAI-Transcribe-2 od Microsoft AI (2,04%). To zdanie jest trafne, ale jednocześnie jest najmniej użytecznym sposobem czytania wyniku, ponieważ 1,95% nie jest pomiarem — to ważona średnia trzech różnych zestawów testowych, a na jednym z nich Scribe v3 wcale nie zajmuje drugiego miejsca. Zajmuje pierwsze, przed modelem, który w rankingu plasuje się wyżej. ElevenLabs udostępniło Scribe v3 9 listopada 2026 r., zastąpiło Scribe v2 w ramach tego samego wywołania API i 17 listopada obniżyło cenę każdego modelu Scribe. Po dziesięciu dniach od premiery interesujące pytanie nie brzmi już, czy model jest dobry. Brzmi: której z trzech liczb należy wierzyć.

Z czego tak naprawdę składa się 1,95%

Artificial Analysis nie publikuje pojedynczego WER dla modelu. Publikuje wskaźnik złożony (AA-WER Index) zbudowany z trzech oczyszczonych korpusów, a każdy korpus charakteryzuje się innym typem błędów: mowa czytana z audiobooków w stylu LibriVox, mowa parlamentarna z Parlamentu Europejskiego oraz spontaniczne wielomówcze telekonferencje wynikowe prowadzone po angielsku z akcentem. Uśrednianie ich do jednego wskaźnika jest wygodnym udogodnieniem i złym narzędziem zakupowym, ponieważ te trzy korpusy nie układają tych samych modeli w tej samej kolejności.

Oto, co obecna tablica pokazuje dla pierwszej czwórki, w rozbiciu. Każda poniższa liczba pochodzi z własnych danych Artificial Analysis, odczytana z ładunku danych tablicy, a nie z zaokrąglonego widoku:

• Złożony AA-WER — Fun-Realtime-ASR-preview 1,73%, Scribe v3 1,95%, MAI-Transcribe-2 2,04%, Scribe v2 2,18%.

• Podstawowy zestaw AA-STT — Scribe v3 1,47%, Scribe v2 1,51%, MAI-Transcribe-2 1,83%, Fun-Realtime-ASR-preview 1,97%. Scribe v3 wygrywa tę kategorię bezapelacyjnie, a model sklasyfikowany wyżej od niego zajmuje ostatnie miejsce spośród czterech.

• VoxPopuli (parlamentarny) — Fun-Realtime-ASR-preview 1,17%, MAI-Transcribe-2 1,50%, Scribe v3 1,52%, Scribe v2 1,74%. Scribe v3 jest tu trzeci, o włos za Microsoftem.

• Earnings-22 (spontaniczne, z akcentem, wielu mówców) — Fun-Realtime-ASR-preview 1,80%, MAI-Transcribe-2 2,99%, Scribe v3 3,34%, Scribe v2 3,95%. To tutaj kolejność odwraca się najmocniej: Microsoft wyprzedza ElevenLabs o 0,35 punktu, a 0,09-punktowa różnica kompozytu znika.

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.

Ten wzorzec nie jest przypadkowy. Scribe v3 wypada najlepiej w przypadku czystej mowy czytanej, a najsłabiej na korpusie przypominającym prawdziwe spotkanie — z nakładającymi się mówcami, niepłynnościami, pasmem telefonicznym i akcentami. To także korpus, na którym najbardziej zależy faktycznym nabywcom korporacyjnym, dlatego kolejność w zestawieniu zbiorczym i doświadczenie centrum kontaktowego mogą się różnić. Jeśli Twoje nagrania to podcasty i wywiady studyjne, wskaźnik 1,47% jest bliższy Twojej rzeczywistości niż 1,95%. Jeśli są to rozmowy sprzedażowe, to 3,34%.

Model powyżej jest wersją zapoznawczą.

Fun-Realtime-ASR-preview zajmuje pierwsze miejsce w zestawieniu zbiorczym i zawdzięcza to sile dwóch najtrudniejszych korpusów, a nie temu łatwemu. Działa też z medianą współczynnika szybkości 20,3 — około jednej dwudziestej czasu rzeczywistego — co oznacza, że godzina dźwięku zajmuje około trzech minut, a jego cena katalogowa wynosi 2,82 USD za 1000 minut. Scribe v3 transkrybuje z szybkością 76,8× czasu rzeczywistego za 3,33 USD za 1000 minut. Lider jest więc wolniejszy, przeważnie tańszy i ma w nazwie słowo „preview”.

Nic z tego nie czyni rankingu błędnym; indeks mierzy dokładność, a nie gotowość do wdrożenia. Oznacza to jednak, że zdanie „Scribe v3 jest drugi” sugeruje pierwsze miejsce zajmowane przez model produkcyjny, a tak nie jest. Wpis firmy Alibaba nie ma na tablicy daty wydania, nie opublikowano dla niego podziału na poszczególne języki, a w identyfikatorze widnieje słowo „preview”. Zespół wybierający dostawcę w tym kwartale porównuje gotowy produkt z wersją ewaluacyjną, a dzieląca je różnica 0,22 punktu jest mniejsza niż różnica między dwoma korpusami w tym samym indeksie.

od v2 do v3, mierzone na dwa sposoby

Własne liczby premierowe ElevenLabs dla Scribe v3 to redukcja błędów słownych o 27% w porównaniu z Scribe v2 w 102 językach w wewnętrznym przebiegu FLEURS — z 16,94% do 12,38% — z deklarowaną poprawą w każdym testowanym języku, a także redukcja błędów diaryzacji o 12% oraz o 17%, gdy obecnych jest trzech lub więcej mówców. To dane dostawcy, uzyskane na własnej wersji publicznego benchmarku przez samego dostawcę, a ElevenLabs jest nietypowo szczery, że jego uśrednianie FLEURS odbywa się per język, a nie na poziomie korpusu, i dlatego nie jest porównywalne z publikowanymi wynikami FLEURS.

Artificial Analysis, korzystając z własnego środowiska testowego, wykazuje mniejszy przyrost: 2,18% wobec 1,95% w wyniku złożonym, około 11% w ujęciu względnym oraz 53,5× wobec 76,8× w przepustowości. Oba stwierdzenia mogą być prawdziwe jednocześnie. Względna poprawa o 27% w wielojęzycznym FLEURS i względna poprawa o 11% na trzech angielskich korpusach mierzą różne rzeczy, a różnica między nimi jest najbardziej użyteczną informacją w materiale dotyczącym premiery — mówi ona, że przewaga koncentruje się poza angielską mową czytaną, czyli dokładnie tam, gdzie — jak twierdzi dostawca — prowadzono analizę.

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.

Różnica funkcji między obiema generacjami jest mniejsza, niż sugeruje marketing. Scribe v3 zachowuje zestaw funkcji v2: diarizację do 32 mówców, 1000 terminów kluczowych w trybie wsadowym, znaczniki czasu na poziomie słów, wykrywanie encji, edycję transkrypcji, eksport do SRT i DOCX. Dodaje automatyczne wnioskowanie języka nagrania, kontrolę formatu liczb, dodatkowe kody języków, a po stronie czasu rzeczywistego bibliotekę 10 000 terminów kluczowych i przewidywanie tur. Z czegoś jednak rezygnuje: nie ma trybu dosłownego. Microsoft MAI-Transcribe-2 oferuje zarówno styl dosłowny, jak i oczyszczony za pomocą jednego przełącznika, a w przypadku transkrypcji na potrzeby zgodności i QA jest to różnica funkcjonalna, nie kosmetyczna.

Co 17 listopada zrobił z arytmetyką

Osiem dni po premierze ElevenLabs kompleksowo obniżył ceny Speech to Text: 0,20 USD za godzinę w przypadku transkrypcji wsadowej i 0,22 USD za godzinę w przypadku trybu czasu rzeczywistego, w planach self-serve i Business, dla każdego modelu Scribe. To 3,33 USD i 3,67 USD za 1000 minut. To liczba, która sprawia, że tabela dokładności staje się użyteczna, ponieważ przy starych stawkach łatwo było uzasadnić deficyt dokładności wynoszący 0,09 punktu wobec Microsoftu, a przy nowych całą argumentację stanowi różnica cen.

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.

Jedno ostrzeżenie dotyczące odczytywania kolumny cen w rankingu: 3,33 USD w Scribe v3 to dokładnie 0,20 USD za godzinę, a 3,67 USD w Scribe v2 to dokładnie 0,22 USD za godzinę, które są stawkami batch i realtime w obecnym cenniku ElevenLabs. Dwa wiersze ElevenLabs wycenione według dwóch różnych SKU będą odczytywane jako nieistniejąca zniżka 34 centów na tysiąc przy przejściu z v2 na v3. Zanim wyciągniesz wniosek cenowy z tabeli rankingowej, sprawdź, co próbkował tracker.

Warto powiedzieć wprost każdemu, kto buduje potok przetwarzania stojący za transkrypcją: żaden z tych modeli mowy — ani Scribe v3, ani MAI-Transcribe-2 — nie znajduje się w ofercie OrcaRouter, a powyższe stawki pochodzą od ElevenLabs i Microsoftu, a nie od nas. To, co kierujemy, to warstwa, do której trafia transkrypcja: notatki ze spotkań do jednego modelu, przegląd zgodności do innego, wszystko za jednym kluczem, z cenami katalogowymi dostawców przekazywanymi przy 0% narzutu i automatycznym przełączaniem awaryjnym między dostawcami. Ma to większe znaczenie w potokach mowy niż gdzie indziej, ponieważ transkrypcja jest danymi wejściowymi, a nie produktem, a produkt powstaje zwykle trzy wywołania modeli dalej.

Co powinny rozstrzygnąć najbliższe dwa tygodnie

W tym obrazie brakuje dwóch rzeczy i obie są tymczasowe. Pierwszą jest ranking strumieniowy. Scribe v3 Live trafił na rynek razem z modelem wsadowym, deklarując redukcję błędów na poziomie słów o 31% i o 43% niższy semantyczny WER niż Scribe v2 Realtime w 102 językach, a także pierwszą diarizację w czasie rzeczywistym udostępnioną przez ElevenLabs — 3,1% błędu w angielskim wycinku zestawu 16 języków wobec 5,9%–7,3% w przypadku innych modeli czasu rzeczywistego. To liczby dostawcy na referencji zgodnej z dostawcą, a ranking strumieniowy nie umieścił jeszcze tego modelu na wykresie, więc twierdzenie jest obecnie niefalsyfikowalne, a nie potwierdzone.

Drugi to wariant medyczny, Scribe v3 Live Medical, który wcale nie jest modelem API: działa w ElevenAgents, jest we wczesnym dostępie, wymaga modelu tury turn_v3, nie ma osobnej stawki i zawiera ostrzeżenie w dokumentacji, aby nie przesyłać chronionych informacji zdrowotnych, dopóki nie zostanie potwierdzona jego kwalifikowalność do HIPAA. Medycznym modelem API wsadowego pozostaje Scribe v2 Medical. Rodzina została uruchomiona z luką tam, gdzie powinien znajdować się jej kliniczny produkt wsadowy.

Uczciwa jednozdaniowa ocena Scribe v3 po dziesięciu dniach: to najlepszy model niestrumieniowy na czystej mowie czytanej, drugi najlepszy na spotkaniach, najszybsza rzecz, jaką ElevenLabs wypuścił, i — po 17 listopada — wystarczająco tani, by argument za dokładnością i argument za ceną wreszcie wskazywały ten sam kierunek. Jedyną rzeczą, która stoi nad nim w rankingu, jest wersja zapoznawcza, a wersje zapoznawcze nie podpisują umów.