Cartão de título com o texto 'Scribe v3: segundo lugar com 1,95%' e o subtítulo 'Índice AA-WER sem streaming, novembro de 2026', ao lado de um pódio de três barras com os rótulos: 1,73% prévia, 1,95% Scribe v3 em prata com um detalhe quente, e 2,04%, sobre um rodapé com o texto 'Dados conforme Artificial Analysis, AA-WER v2.2'.
Guides & Insights

ElevenLabs Scribe v3: Segundo no AA-WER com 1,95%, atrás de uma prévia

Autor

jinhao.song

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

O número de destaque do ElevenLabs Scribe v3 é uma taxa de erro de palavra de 1,95%, segundo lugar no ranking non-streaming AA-WER v2.2 do Artificial Analysis, atrás do Fun-Realtime-ASR-preview da Alibaba, com 1,73%, e à frente do MAI-Transcribe-2 da Microsoft AI, com 2,04%. Essa frase é precisa e também é a forma menos útil de ler o resultado, porque 1,95% não é uma medição — é uma média ponderada de três conjuntos de teste diferentes, e em um deles o Scribe v3 não é o segundo colocado. É o primeiro, à frente do modelo que o supera. A ElevenLabs lançou o Scribe v3 em 9 de novembro de 2026, substituiu o Scribe v2 na mesma chamada de API e reduziu o preço de todos os modelos Scribe em 17 de novembro. Dez dias depois, a pergunta interessante já não é se o modelo é bom. É qual dos três números você deve acreditar.

Do que são feitos, na verdade, os 1,95%

A Artificial Analysis não publica um WER por modelo. Ela publica um composto (o AA-WER Index) construído a partir de três corpora limpos, e cada corpus tem um modo de falha diferente: fala lida de audiolivros no estilo LibriVox, discurso parlamentar do Parlamento Europeu e teleconferências de resultados espontâneas com vários falantes em inglês com sotaque. Fazer a média deles em um único índice é uma conveniência razoável e uma péssima ferramenta de aquisição, porque os três não classificam os mesmos modelos da mesma forma.

Aqui está o que o board atual mostra para os quatro primeiros, detalhados. Todos os números abaixo são da própria Artificial Analysis, lidos do payload de dados do board em vez da exibição arredondada:

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

• O conjunto central AA-STT — Scribe v3 1,47%, Scribe v2 1,51%, MAI-Transcribe-2 1,83%, Fun-Realtime-ASR-preview 1,97%. O Scribe v3 vence esta de forma categórica, e o modelo classificado acima dele termina em último entre os quatro.

• VoxPopuli (parlamentar) — Fun-Realtime-ASR-preview 1,17%, MAI-Transcribe-2 1,50%, Scribe v3 1,52%, Scribe v2 1,74%. O Scribe v3 fica em terceiro aqui, por um fio atrás da Microsoft.

• Earnings-22 (espontâneo, com sotaque, vários falantes) — Fun-Realtime-ASR-preview 1,80%, MAI-Transcribe-2 2,99%, Scribe v3 3,34%, Scribe v2 3,95%. É aqui que a ordem se inverte mais drasticamente: a Microsoft supera a ElevenLabs em 0,35 ponto, e a diferença de 0,09 ponto do composto desaparece.

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.

O padrão não é aleatório. O Scribe v3 é mais forte em fala lida limpa e mais fraco no corpus que se assemelha a uma reunião real — falantes sobrepostos, disfluências, largura de banda telefônica, sotaques. Esse também é o corpus com que a maioria dos compradores empresariais realmente se importa, e é por isso que a ordenação do composto e a experiência de um centro de contato podem divergir. Se o seu áudio for de podcasts e entrevistas de estúdio, o valor de 1,47% está mais próximo do seu mundo do que o de 1,95%. Se for de chamadas de vendas, o de 3,34% está.

O modelo acima dele é uma prévia.

O Fun-Realtime-ASR-preview ocupa o primeiro lugar no ranking composto, e o faz graças aos dois corpora mais difíceis, e não ao fácil. Ele também roda a um fator de velocidade mediano de 20,3 — aproximadamente um vigésimo do tempo real —, o que significa que uma hora de áudio leva cerca de três minutos, e tem preço de tabela de US$ 2,82 por 1.000 minutos. O Scribe v3 transcreve a 76,8× o tempo real por US$ 3,33 por 1.000 minutos. Portanto, o líder é mais lento, em grande parte mais barato, e carrega um nome que diz preview.

Nada disso torna o ranking errado; o índice mede acurácia, não prontidão. Isso significa que a frase "Scribe v3 está em segundo lugar" implica um primeiro lugar ocupado por um modelo de produção, e não é o caso. A entrada da Alibaba não tem data de lançamento no placar, nenhum detalhamento por idioma publicado, e a palavra "preview" no identificador. Uma equipe que escolhe um fornecedor neste trimestre está comparando um produto já disponível com uma versão de avaliação, e a diferença de 0,22 ponto entre eles é menor que a diferença entre dois corpora dentro do mesmo índice.

de v2 para v3, medido de duas maneiras

Os números de lançamento do próprio ElevenLabs para o Scribe v3 são uma redução de 27% nos erros de palavras em relação ao Scribe v2 em 102 idiomas em uma execução interna do FLEURS — de 16,94% para 12,38% —, com melhoria alegada em todos os idiomas testados, além de uma redução de 12% nos erros de diarização e de 17% quando há três ou mais falantes. Esses são números do fornecedor, obtidos na própria versão do fornecedor de um benchmark público, e a ElevenLabs é incomumente franca ao afirmar que sua média no FLEURS é por idioma, e não no nível do corpus, e, portanto, não é comparável aos números publicados do FLEURS.

Artificial Analysis, executando seu próprio harness, mostra um ganho menor: de 2,18% para 1,95% no composto, cerca de 11% em termos relativos, e de 53,5× para 76,8× no throughput. As duas afirmações podem ser verdadeiras. Uma melhoria relativa de 27% no FLEURS multilíngue e uma melhoria relativa de 11% em três corpora de inglês medem coisas diferentes, e a diferença entre elas é o dado mais útil no material de lançamento — ela mostra que o ganho está concentrado fora da fala lida em inglês, que é exatamente onde o fornecedor diz ter avaliado.

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.

O delta de recursos entre as duas gerações é menor do que o marketing sugere. O Scribe v3 mantém o conjunto de recursos da v2: até 32 falantes na diarização, 1.000 termos-chave para lote, timestamps em nível de palavra, detecção de entidades, edição de transcrição e exportação para SRT e DOCX. Ele adiciona inferência automática de idioma para uma gravação, um controle de formato de números, códigos de idioma secundários e, no lado em tempo real, uma biblioteca de 10.000 termos-chave e previsão de turnos. Ele também abre mão de algo: não há modo verbatim. O MAI-Transcribe-2 da Microsoft oferece os estilos verbatim e limpo por meio de um único controle e, para transcrições de conformidade e QA, isso é uma diferença funcional, não cosmética.

O que 17 de novembro fez à aritmética

Oito dias após o lançamento, a ElevenLabs cortou os preços do Speech to Text de forma geral: US$ 0,20 por hora para transcrição em lote e US$ 0,22 por hora em tempo real, nos planos self-serve e Business, para todos os modelos Scribe. Isso equivale a US$ 3,33 e US$ 3,67 por 1.000 minutos. É o número que torna a tabela de precisão acionável, porque, nas tarifas antigas, um déficit de precisão de 0,09 ponto em relação à Microsoft era fácil de defender; nas novas, a diferença de preço é todo o argumento.

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.

Uma ressalva sobre a leitura da coluna de preços da tabela de classificação: os US$ 3,33 do Scribe v3 são exatamente US$ 0,20 por hora, e os US$ 3,67 do Scribe v2 são exatamente US$ 0,22 por hora, que são as tarifas de lote e em tempo real na lista atual da ElevenLabs. Duas linhas da ElevenLabs com preços de dois SKUs diferentes vão parecer um desconto de 34 centavos por mil de v2 para v3 que não existe. Verifique o que o rastreador amostrou antes de tirar uma conclusão de preços a partir de uma tabela classificada.

Vale dizer claramente para quem estiver montando o pipeline por trás da transcrição: nenhum desses modelos de fala — nem o Scribe v3, nem o MAI-Transcribe-2 — está no catálogo da OrcaRouter, e as tarifas acima são da ElevenLabs e da Microsoft, não nossas. O que roteamos é a camada que a transcrição alimenta: notas de reunião para um modelo, revisão de conformidade para outro, tudo atrás de uma única chave, com preços de tabela dos provedores repassados com 0% de margem e failover automático entre provedores. Isso importa mais em pipelines de fala do que em outros casos, porque a transcrição é a entrada, não o produto, e o produto normalmente está a três chamadas de modelo adiante.

O que as próximas duas semanas devem resolver

Duas coisas estão faltando neste quadro e ambas são temporárias. A primeira é o leaderboard de streaming. O Scribe v3 Live foi lançado junto com o modelo em lote com uma redução alegada de 31% no erro de palavra e um WER semântico 43% menor que o do Scribe v2 Realtime em 102 idiomas, além da primeira diarização em tempo real lançada pela ElevenLabs — 3,1% de erro na fatia em inglês de um conjunto de 16 idiomas, contra 5,9% a 7,3% de outros modelos em tempo real. Esses são números do fornecedor em uma referência alinhada ao fornecedor, e o leaderboard de streaming ainda não plotou o modelo, então a alegação atualmente é infalsificável em vez de confirmada.

O segundo é a variante médica, Scribe v3 Live Medical, que não é de forma alguma um modelo de API: ele vive no ElevenAgents, está em acesso antecipado, precisa do modelo de turno turn_v3, não tem tarifa separada e traz um aviso na documentação para não enviar informações de saúde protegidas até que a elegibilidade HIPAA seja confirmada para ele. O modelo médico da API em lote continua sendo o Scribe v2 Medical. Uma família lançada com uma lacuna onde deveria estar seu produto clínico em lote.

Então, a leitura honesta em uma linha do Scribe v3 após dez dias: é o melhor modelo não streaming em fala lida limpa, o segundo melhor em reuniões, a coisa mais rápida que a ElevenLabs já lançou e — depois de 17 de novembro — barato o suficiente para que o argumento da precisão e o argumento do preço finalmente apontem na mesma direção. A única coisa que está acima dele no ranking é uma prévia, e prévias não assinam contratos.