
ElevenLabs Scribe v3: второе место по AA-WER с показателем 1,95%, уступает Preview
- OrcaНОВИНКАOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 за 1 млн токенов · 184 tok/s
- tencentНОВИНКАTencent: Hy4 Flash2026-11-16$0.02 / $0.07 за 1 млн токенов · 506 tok/s
- AlibabaНОВИНКАQwen: Qwen4 Max2026-11-16$1.50 / $4.50 за 1 млн токенов · 262 tok/s
- GoogleНОВИНКАGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 за 1 млн токенов · 94 tok/s
- AnthropicНОВИНКАAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 за 1 млн токенов · 222 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 за 1 млн токенов · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 за 1 млн токенов · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 за 1 млн токенов · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 за 1 млн токенов · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 за 1 млн токенов · 104 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 за 1 млн токенов · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Интеллект
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 за 1 млн токенов · 216 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Интеллект
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 за 1 млн токенов · 108 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Интеллект
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 за 1 млн токенов · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Интеллект
Главная цифра для ElevenLabs Scribe v3 — доля ошибок в словах 1,95%, второе место в непотоковом рейтинге AA-WER v2.2 от Artificial Analysis, позади Fun-Realtime-ASR-preview от Alibaba с 1,73% и впереди MAI-Transcribe-2 от Microsoft AI с 2,04%. Это предложение точное, и в то же время это наименее полезный способ читать результат, потому что 1,95% — не измерение, а взвешенное среднее по трём разным тестовым наборам, и на одном из них Scribe v3 вовсе не второй. Он первый — впереди модели, которая его опережает. ElevenLabs выпустила Scribe v3 9 ноября 2026 года, заменила Scribe v2 в том же вызове API и снизила цену на все модели Scribe 17 ноября. Спустя десять дней интересный вопрос уже не в том, хороша ли модель. А в том, какой из трёх цифр стоит верить.
Из чего на самом деле состоит 1,95%
Artificial Analysis не публикует один WER для каждой модели. Публикуется составной показатель (AA-WER Index), построенный на трех очищенных корпусах, и у каждого корпуса свой характерный тип ошибок: речь, начитанная из аудиокниг в стиле LibriVox, парламентская речь из Европейского парламента и спонтанные многоучастниковые телеконференции по финансовым результатам на английском с акцентом. Усреднение их в единый индекс — разумное удобство и плохой инструмент для закупок, потому что эти три корпуса неодинаково ранжируют одни и те же модели.
Вот что текущая таблица показывает по первой четвёрке с разбивкой. Каждая цифра ниже — собственная цифра Artificial Analysis, считанная из полезной нагрузки данных таблицы, а не из округлённого отображения:
Составной AA-WER — Fun-Realtime-ASR-preview 1,73 %, Scribe v3 1,95 %, MAI-Transcribe-2 2,04 %, Scribe v2 2,18 %.
• Основной набор AA-STT — Scribe v3 1.47%, Scribe v2 1.51%, MAI-Transcribe-2 1.83%, Fun-Realtime-ASR-preview 1.97%. Scribe v3 безоговорочно выигрывает этот набор, а модель, занимающая более высокое место в рейтинге, оказывается последней из четырёх.
• VoxPopuli (парламентский) — Fun-Realtime-ASR-preview 1,17%, MAI-Transcribe-2 1,50%, Scribe v3 1,52%, Scribe v2 1,74%. Scribe v3 здесь третий, совсем немного уступает Microsoft.
• Earnings-22 (спонтанная речь с акцентом, несколько говорящих) — Fun-Realtime-ASR-preview 1,80%, MAI-Transcribe-2 2,99%, Scribe v3 3,34%, Scribe v2 3,95%. Именно здесь порядок меняется наиболее резко: Microsoft опережает ElevenLabs на 0,35 балла, а разрыв композитного показателя в 0,09 балла исчезает.

Закономерность не случайна. Scribe v3 сильнее всего на чистой речи, читаемой вслух, и слабее всего на корпусе, напоминающем реальную встречу — с перекрывающимися говорящими, нарушениями плавности речи, телефонной полосой пропускания, акцентами. Это также тот корпус, который действительно важен большинству корпоративных покупателей, поэтому порядок в композитном рейтинге и опыт контакт-центра могут не совпадать. Если ваше аудио — это подкасты и студийные интервью, показатель 1,47% ближе к вашей реальности, чем 1,95%. Если это звонки отдела продаж — то 3,34%.
Модель над ним — это предварительный просмотр.
Fun-Realtime-ASR-preview занимает первое место по композитной оценке и добивается этого за счёт двух самых сложных корпусов, а не простого. Кроме того, он работает с медианным коэффициентом скорости 20,3 — примерно одна двадцатая реального времени, — то есть час аудио обрабатывается примерно за три минуты, а его цена указана как $2,82 за 1000 минут. Scribe v3 транскрибирует со скоростью 76,8× реального времени за $3,33 за 1000 минут. Таким образом, лидер медленнее, в основном дешевле и носит название, в котором есть слово preview.
Ничто из этого не делает рейтинг ошибочным; индекс измеряет точность, а не готовность. Но это означает, что фраза «Scribe v3 занимает второе место» подразумевает, что первое место удерживает production-модель, а это не так. У Alibaba в таблице лидеров нет даты релиза, нет опубликованной разбивки по языкам, а в идентификаторе есть слово «preview». Команда, выбирающая поставщика в этом квартале, сравнивает готовый к поставке продукт с оценочной сборкой, и разрыв в 0,22 балла между ними меньше, чем разница между двумя корпусами внутри одного и того же индекса.
От v2 к v3, измерено двумя способами
Собственные показатели, озвученные ElevenLabs при запуске Scribe v3, — это снижение числа ошибок в словах на 27% по сравнению с Scribe v2 на 102 языках во внутреннем прогоне FLEURS — с 16,94% до 12,38% — при заявленном улучшении в каждом протестированном языке, а также снижение ошибок диаризации на 12% и на 17%, когда присутствуют трое или более говорящих. Это цифры поставщика, полученные на его собственной версии публичного бенчмарка, и ElevenLabs на удивление откровенно признаёт, что усреднение по FLEURS ведётся по языкам, а не на уровне корпуса, и поэтому несопоставимо с опубликованными показателями FLEURS.
Artificial Analysis, запуская собственный испытательный стенд, показывает меньший прирост: с 2,18% до 1,95% по составному показателю — около 11% в относительном выражении — и с 53,5× до 76,8× по пропускной способности. Оба утверждения могут быть верны. Относительное улучшение на 27% на многоязычном FLEURS и относительное улучшение на 11% на трёх англоязычных корпусах измеряют разные вещи, и разрыв между ними — самый полезный факт в материалах запуска: он говорит о том, что выигрыш сосредоточен вне английской речи, читаемой вслух, а именно туда, по словам поставщика, он и смотрел.

Разница в функциях между двумя поколениями меньше, чем следует из маркетинга. Scribe v3 сохраняет набор функций v2: до 32 говорящих при диаризации, 1 000 ключевых терминов для пакетной обработки, временные метки на уровне слов, обнаружение сущностей, редактирование расшифровки, экспорт в SRT и DOCX. Он добавляет автоматическое определение языка записи, управление форматом чисел, дополнительные языковые коды, а на стороне реального времени — библиотеку из 10 000 ключевых терминов и прогнозирование реплик. Он также кое-что убирает: режима дословной расшифровки нет. MAI-Transcribe-2 от Microsoft предлагает как дословный, так и очищенный стиль через один переключатель, и для расшифровок для целей соответствия требованиям и контроля качества это функциональное различие, а не косметическое.
Что 17 ноября сделало с арифметикой
Спустя восемь дней после запуска ElevenLabs снизила цены на Speech to Text по всем направлениям: $0,20 в час за пакетную транскрипцию и $0,22 в час за работу в реальном времени — на тарифах self-serve и Business, для всех моделей Scribe. Это $3,33 и $3,67 за 1 000 минут. Именно эта цифра делает таблицу точности применимой на практике: при старых тарифах отставание от Microsoft по точности на 0,09 пункта было легко оправдать, а при новых разрыв в цене — это весь аргумент.

Одно предостережение насчёт чтения колонки цен в таблице лидеров: {{1}}цена Scribe v3 в $3,33 — это ровно $0,20 в час{{/1}}, а {{2}}цена Scribe v2 в $3,67 — это ровно $0,22 в час{{/2}}; это тарифы пакетной обработки и реального времени в текущем прайс-листе ElevenLabs. {{3}}Две строки ElevenLabs, оценённые по двум разным SKU, будут выглядеть как скидка 34 цента за тысячу при переходе с v2 на v3, которой не существует.{{/3}} Проверьте, что именно сэмплировал трекер, прежде чем делать вывод о ценах по ранжированной таблице.
Стоит прямо сказать всем, кто строит пайплайн, стоящий за расшифровкой: ни одна из этих речевых моделей — ни Scribe v3, ни MAI-Transcribe-2 — не входит в реестр OrcaRouter, и приведённые выше тарифы — это тарифы ElevenLabs и Microsoft, а не наши. То, что маршрутизируем мы, — это тот слой, который питает расшифровка: заметки со встреч — в одну модель, проверка на соответствие требованиям — в другую, и всё это за одним ключом, с прайс-листами провайдеров, передаваемыми без наценки, 0% и автоматическим переключением при сбое между провайдерами. В речевых пайплайнах это важнее, чем где-либо ещё, потому что расшифровка — это вход, а не продукт, а продукт обычно находится на три вызова моделей дальше.
Что должно определиться за следующие две недели
На этой картинке не хватает двух вещей, и обе они временные. Первая — стриминговая таблица лидеров. Scribe v3 Live вышел вместе с пакетной моделью с заявленным снижением числа ошибок в словах на 31% и семантического WER на 43% по сравнению с Scribe v2 Realtime на 102 языках, а также с первой диаризацией в реальном времени, которую выпустила ElevenLabs, — 3,1% ошибок на английском сегменте набора из 16 языков против 5,9–7,3% у других моделей реального времени. Это вендорские цифры на эталонном наборе, согласованном с вендором, а стриминговая таблица лидеров ещё не отобразила эту модель, поэтому сейчас это утверждение неопровержимо, а не подтверждено.
Второй — медицинский вариант, Scribe v3 Live Medical, который вовсе не является API-моделью: он живёт в ElevenAgents, находится в раннем доступе, требует модель диалоговых ходов turn_v3, не имеет отдельного тарифа и содержит в документации предупреждение не отправлять защищённую медицинскую информацию, пока для него не подтверждено соответствие HIPAA. Медицинской моделью Batch API остаётся Scribe v2 Medical. Семейство вышло с пробелом там, где должен был бы находиться его клинический пакетный продукт.
Итак, честная оценка Scribe v3 в одну строку спустя десять дней: это лучшая непотоковая модель на чистой речи, читаемой вслух, вторая по качеству на встречах, самое быстрое, что выпустила ElevenLabs, и — после 17 ноября — достаточно дешёвая, чтобы аргумент точности и аргумент цены наконец указывали в одну сторону. Единственное, что стоит выше неё в рейтинге, — это превью, а превью контракты не подписывают.
