Titelkort med texten "Scribe v3: tvåa på 1,95 %" och underrubriken "AA-WER-index för icke-strömmande läge, november 2026", bredvid en prispall med tre staplar märkta 1,73 % förhandsversion, 1,95 % Scribe v3 i silver med en varm accent, och 2,04 %, ovan en sidfot som lyder "Siffror enligt Artificial Analysis, AA-WER v2.2".
Guides & Insights

Tvåa på AA-WER med 1,95 %, bakom en förhandsversion

Författare

jinhao.song

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Rubriksiffran för ElevenLabs Scribe v3 är en ordfelsfrekvens på 1,95 %, en andraplats på Artificial Analysis AA-WER v2.2-resultattavla för icke-strömmande modeller, efter Alibabas Fun-Realtime-ASR-preview på 1,73 % och före Microsoft AI:s MAI-Transcribe-2 på 2,04 %. Den meningen är korrekt och samtidigt det minst användbara sättet att läsa resultatet, eftersom 1,95 % inte är en mätning – det är ett viktat medelvärde av tre olika testset, och på ett av dem är Scribe v3 inte alls tvåa. Det är etta, före den modell som rankas högre. ElevenLabs släppte Scribe v3 den 9 november 2026, ersatte Scribe v2 i samma API-anrop och sänkte priset på alla Scribe-modeller den 17 november. Tio dagar in i lanseringen är den intressanta frågan inte längre om modellen är bra. Det är vilket av de tre talen du bör tro på.

Vad 1,95 % egentligen består av

Artificial Analysis publicerar inte ett WER per modell. De publicerar ett sammansatt mått (AA-WER Index) som bygger på tre rensade korpusar, och varje korpus har ett eget slags fel: uppläst tal från ljudböcker i LibriVox-stil, parlamentariskt tal från Europaparlamentet och spontana earnings calls med flera talare på engelska med brytning. Att medelvärdesberäkna dem till ett enda index är en rimlig bekvämlighet men ett dåligt upphandlingsverktyg, eftersom de tre inte rangordnar samma modeller på samma sätt.

Här är vad den aktuella resultattavlan visar för de fyra bästa, uppdelat. Varje siffra nedan är Artificial Analysis egna, hämtad från tavlans datanyttolast i stället för den avrundade visningen:

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

• Kärnuppsättningen för AA-STT – Scribe v3 1,47 %, Scribe v2 1,51 %, MAI-Transcribe-2 1,83 %, Fun-Realtime-ASR-preview 1,97 %. Scribe v3 vinner denna utan tvekan, och modellen som ligger före den i rankingen hamnar sist av de fyra.

• VoxPopuli (parlamentariskt) — Fun-Realtime-ASR-preview 1,17 %, MAI-Transcribe-2 1,50 %, Scribe v3 1,52 %, Scribe v2 1,74 %. Scribe v3 är trea här, en hårsmån efter Microsoft.

• Earnings-22 (spontant, med brytning, flera talare) — Fun-Realtime-ASR-preview 1,80 %, MAI-Transcribe-2 2,99 %, Scribe v3 3,34 %, Scribe v2 3,95 %. Det är här rangordningen vänder allra kraftigast: Microsoft slår ElevenLabs med 0,35 punkter, och kompositens gap på 0,09 punkter försvinner.

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.

Mönstret är inte slumpmässigt. Scribe v3 är starkast på rent uppläst tal och svagast på den korpus som liknar ett verkligt möte – överlappande talare, tvekljud, telefonbandbredd, accenter. Det är också den korpus som de flesta företagsköpare faktiskt bryr sig om, vilket är anledningen till att det sammansatta måttets rangordning och ett kontaktcenters upplevelse kan skilja sig åt. Om ditt ljud är poddar och studiointervjuer är siffran 1,47 % närmare din verklighet än 1,95 %. Om det är säljsamtal är 3,34 % det.

Modellen ovanför den är en förhandsversion.

Fun-Realtime-ASR-preview ligger etta på composite-måttet, och det gör den tack vare de två svåraste korpusarna snarare än den enkla. Den körs också med en medianhastighetsfaktor på 20,3 – ungefär en tjugondel av realtid – vilket innebär att en timmes ljud tar ungefär tre minuter, och den listas på 2,82 USD per 1 000 minuter. Scribe v3 transkriberar i 76,8× realtid för 3,33 USD per 1 000 minuter. Så ledaren är långsammare, mestadels billigare och har ett namn som säger preview.

Inget av det gör rankningen felaktig; indexet mäter noggrannhet, inte beredskap. Det innebär däremot att meningen ”Scribe v3 är tvåa” antyder att förstaplatsen innehas av en modell i produktion, vilket den inte gör. A​libabas post har inget releasedatum på resultattavlan, ingen publicerad språkvis uppdelning och ordet ”preview” i identifieraren. Ett team som väljer leverantör under det här kvartalet jämför en redan lanserad produkt med en utvärderingsbuild, och gapet på 0,22 punkter mellan dem är mindre än skillnaden mellan två korpusar inom samma index.

v2 till v3, mätt på två sätt

ElevenLabs egna lanseringssiffror för Scribe v3 visar en minskning av ord fel med 27 % jämfört med Scribe v2 över 102 språk i en intern FLEURS-körning – från 16,94 % till 12,38 % – med förbättring enligt uppgift på alla testade språk, plus en minskning av diariseringsfel med 12 % och 17 % när tre eller fler talare är närvarande. Detta är leverantörens siffror, körda på leverantörens egen version av ett offentligt benchmark, och ElevenLabs är ovanligt öppna med att deras FLEURS-genomsnitt är per språk snarare än på korpusnivå och därför inte jämförbara med publicerade FLEURS-siffror.

Artificial Analysis, som kör sitt eget testramverk, visar en mindre förbättring: 2,18 % till 1,95 % på kompositmåttet, cirka 11 % relativt, och 53,5× till 76,8× i genomströmning. Båda påståendena kan vara sanna. En relativ förbättring på 27 % för flerspråkiga FLEURS och en relativ förbättring på 11 % för tre engelska korpusar mäter olika saker, och gapet mellan dem är det mest användbara faktumet i lanseringsmaterialet – det säger dig att vinsten är koncentrerad utanför engelskt uppläst tal, vilket är precis där leverantören säger att man tittade.

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.

Funktionsdeltat mellan de två generationerna är mindre än marknadsföringen antyder. Scribe v3 behåller v2:s funktionsuppsättning: upp till 32 talare i diarisering, 1 000 nyckeltermer för batch, tidsstämplar på ordnivå, entitetsidentifiering, transkriptionsredigering, export till SRT och DOCX. Det lägger till automatisk språkidentifiering för en inspelning, en kontroll för talformat, sekundära språkkoder och, på realtidssidan, ett nyckeltermbibliotek med 10 000 termer och turprediktion. Det tar också bort något: det finns inget ordagrant läge. Microsofts MAI-Transcribe-2 erbjuder både ordagranna och rena stilar via en enda växel, och för efterlevnads- och QA-transkript är det en funktionell skillnad, inte en kosmetisk.

Vad den 17 november gjorde med aritmetiken

Åtta dagar efter lanseringen sänkte ElevenLabs priserna för Speech to Text över hela linjen: 0,20 dollar per timme för batchtranskribering och 0,22 dollar per timme för realtid, på självbetjänings- och Business-planer, för alla Scribe-modeller. Det motsvarar 3,33 och 3,67 dollar per 1 000 minuter. Det är siffran som gör noggrannhetstabellen användbar, för med de gamla priserna var ett noggrannhetsunderskott på 0,09 punkter gentemot Microsoft lätt att försvara, och med de nya priserna är prisskillnaden hela argumentet.

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.

En varning om hur man läser priskolumnen i resultattavlan: Scribe v3:s $3,33 är exakt $0,20 i timmen och Scribe v2:s $3,67 är exakt $0,22 i timmen, vilket är batch- och realtidspriserna i ElevenLabs nuvarande lista. Två ElevenLabs-rader prissatta till två olika SKU:er kommer att läsas som en rabatt på 34 cent per tusen från v2 till v3 som inte finns. Kontrollera vad trackern samplade innan du drar en prisslutsats från en rankad tabell.

Värt att säga rakt ut för alla som bygger pipelinen bakom transkriptet: ingen av dessa talmodeller – varken Scribe v3 eller MAI-Transcribe-2 – finns med i OrcaRouters utbud, och priserna ovan är ElevenLabs och Microsofts, inte våra. Det vi routar är lagret som transkriptet matar: mötesanteckningar till en modell, regelefterlevnadsgranskning till en annan, allt bakom en enda nyckel, med leverantörernas listpriser vidarebefordrade med 0 % påslag och automatisk failover mellan leverantörer. Det spelar större roll i talpipelines än på andra håll, eftersom transkriptet är indata, inte produkten, och produkten ligger vanligtvis tre modellanrop nedströms.

Vad de kommande två veckorna bör avgöra

Två saker saknas i den här bilden och båda är tillfälliga. Den första är streamingtavlan. Scribe v3 Live lanserades tillsammans med batchmodellen med påstådd 31 % minskning av ordfelsfrekvensen och 43 % lägre semantisk WER än Scribe v2 Realtime över 102 språk, plus den första realtidsdiarisering som ElevenLabs har lanserat – 3,1 % fel på den engelska delen av en uppsättning med 16 språk, jämfört med 5,9 % till 7,3 % för andra realtidsmodeller. Det är leverantörssiffror på en leverantörsanpassad referens, och streamingtopplistan har ännu inte plottat modellen, så påståendet är för närvarande omöjligt att motbevisa snarare än bekräftat.

Den andra är den medicinska varianten, Scribe v3 Live Medical, som inte alls är en API-modell: den finns i ElevenAgents, är i early access, kräver turmodellen turn_v3, har ingen separat prisnivå och har en varning i dokumentationen om att inte skicka skyddade hälsouppgifter förrän HIPAA-behörighet har bekräftats för den. Batch-API:ets medicinska modell är fortfarande Scribe v2 Medical. En familj lanserades med en lucka där dess kliniska batchprodukt borde ha funnits.

Så här lyder den ärliga enradsbedömningen av Scribe v3 efter tio dagar: det är den bästa icke-strömmande modellen för rent uppläst tal, näst bäst på möten, det snabbaste ElevenLabs har släppt och – efter 17 november – billigt nog för att noggrannhetsargumentet och prisargumentet äntligen ska peka i samma riktning. Det enda som ligger före det i rankingen är en förhandsversion, och förhandsversioner skriver inte kontrakt.