การ์ดชื่อเรื่องระบุว่า 'Scribe v3: อันดับสองที่ 1.95%' พร้อมคำบรรยายใต้ภาพ 'ดัชนี AA-WER แบบไม่สตรีมมิ่ง พฤศจิกายน 2026' ถัดจากแท่นโพเดียมสามแท่งที่ติดป้ายว่า 1.73% พรีวิว, 1.95% Scribe v3 สีเงินพร้อมสีเน้นโทนอุ่น และ 2.04% โดยอยู่เหนือส่วนท้ายที่ระบุว่า 'ตัวเลขตาม Artificial Analysis, AA-WER v2.2'
Guides & Insights

ElevenLabs Scribe v3: อันดับสองบน AA-WER ที่ 1.95% เป็นรองเพียงรุ่น Preview

ผู้เขียน

jinhao.song

วันที่เผยแพร่

โมเดลล่าสุด · 20ดูโมเดลทั้งหมด →
เบนช์มาร์ก: Artificial Analysis · อัปเดตทุกวัน
กลับไปยังโพสต์ทั้งหมด

ตัวเลขพาดหัวของ ElevenLabs Scribe v3 คืออัตราคำผิดพลาด 1.95% อยู่อันดับสองบนกระดาน AA-WER v2.2 แบบ non-streaming ของ Artificial Analysis ตามหลัง Fun-Realtime-ASR-preview ของ Alibaba ที่ 1.73% และนำหน้า MAI-Transcribe-2 ของ Microsoft AI ที่ 2.04% ประโยคนั้นถูกต้อง และยังเป็นวิธีอ่านผลลัพธ์ที่มีประโยชน์น้อยที่สุดด้วย เพราะ 1.95% ไม่ใช่การวัดค่า — มันคือค่าเฉลี่ยถ่วงน้ำหนักของชุดทดสอบสามชุดที่ต่างกัน และในชุดหนึ่ง Scribe v3 ไม่ได้อยู่อันดับสองเลย มันอยู่อันดับหนึ่ง นำหน้าโมเดลที่ถูกจัดอันดับสูงกว่ามัน ElevenLabs เปิดตัว Scribe v3 เมื่อวันที่ 9 พฤศจิกายน 2026 แทนที่ Scribe v2 ในการเรียก API เดียวกัน และลดราคาโมเดล Scribe ทุกรุ่นเมื่อวันที่ 17 พฤศจิกายน ผ่านไปสิบวัน คำถามที่น่าสนใจไม่ใช่แล้วว่าโมเดลนี้ดีหรือไม่ แต่มันคือตัวเลขสามตัวนี้ ตัวไหนที่คุณควรเชื่อ

1.95% นั้นแท้จริงแล้วประกอบด้วยอะไร

Artificial Analysis ไม่ได้เผยแพร่ค่า WER เพียงค่าเดียวต่อโมเดล แต่เผยแพร่ดัชนีแบบองค์ประกอบ (AA-WER Index) ที่สร้างจากคลังข้อมูลที่ผ่านการทำความสะอาดแล้วสามคลัง และแต่ละคลังมีรูปแบบความล้มเหลวที่แตกต่างกัน ได้แก่ เสียงพูดจากการอ่านในหนังสือเสียงสไตล์ LibriVox เสียงพูดในรัฐสภาจาก European Parliament และบทสนทนาแบบเกิดขึ้นเองในการประชุมทางโทรศัพท์รายงานผลประกอบการที่มีผู้พูดหลายคนในภาษาอังกฤษที่มีสำเนียง การเฉลี่ยทั้งสามเข้าเป็นดัชนีเดียวเป็นความสะดวกที่สมเหตุสมผลแต่เป็นเครื่องมือจัดซื้อจัดจ้างที่แย่ เพราะทั้งสามไม่ได้จัดอันดับโมเดลเดียวกันในแบบเดียวกัน

นี่คือสิ่งที่กระดานปัจจุบันแสดงสำหรับสี่อันดับแรกโดยแยกให้เห็นชัดเจน ตัวเลขทุกตัวด้านล่างเป็นของ Artificial Analysis เอง ซึ่งอ่านจากเพย์โหลดข้อมูลของกระดานแทนการแสดงผลแบบปัดเศษ:

• ค่า AA-WER แบบรวม — Fun-Realtime-ASR-preview 1.73%, Scribe v3 1.95%, MAI-Transcribe-2 2.04%, Scribe v2 2.18%

• ชุด AA-STT หลัก — Scribe v3 1.47%, Scribe v2 1.51%, MAI-Transcribe-2 1.83%, Fun-Realtime-ASR-preview 1.97% Scribe v3 ชนะขาดในรายการนี้ และโมเดลที่ถูกจัดอันดับเหนือกว่ากลับจบเป็นอันดับสุดท้ายในสี่ตัว

• VoxPopuli (ระดับรัฐสภา) — Fun-Realtime-ASR-preview 1.17%, MAI-Transcribe-2 1.50%, Scribe v3 1.52%, Scribe v2 1.74% ที่นี่ Scribe v3 อยู่อันดับสาม โดยตามหลัง Microsoft อยู่เพียงนิดเดียว

• Earnings-22 (พูด spontaneously, มีสำเนียง, ผู้พูดหลายคน) — Fun-Realtime-ASR-preview 1.80%, MAI-Transcribe-2 2.99%, Scribe v3 3.34%, Scribe v2 3.95% นี่คือจุดที่ลำดับพลิกกลับรุนแรงที่สุด: Microsoft เอาชนะ ElevenLabs ได้ 0.35 คะแนน และช่องว่าง 0.09 คะแนนของคอมโพสิตก็หายไป

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.

รูปแบบนี้ไม่ได้เกิดขึ้นแบบสุ่ม Scribe v3 ทำได้ดีที่สุดกับเสียงพูดอ่านที่ชัดเจน และทำได้แย่ที่สุดกับคลังเสียงที่คล้ายการประชุมจริง — มีผู้พูดพูดทับกัน มีเสียงพูดติดขัด มีแบนด์วิดท์แบบโทรศัพท์ และมีสำเนียง นั่นก็เป็นคลังเสียงที่ผู้ซื้อระดับองค์กรส่วนใหญ่ให้ความสำคัญจริง ๆ ซึ่งเป็นเหตุผลว่าทำไมลำดับของคะแนนรวมกับประสบการณ์ของศูนย์ติดต่อลูกค้าอาจแตกต่างกัน หากเสียงของคุณเป็นพอดแคสต์และบทสัมภาษณ์ในสตูดิโอ ตัวเลข 1.47% จะใกล้เคียงกับโลกของคุณมากกว่า 1.95% หากเป็นสายการขาย ตัวเลข 3.34% จะใกล้เคียงกว่า

โมเดลด้านบนเป็นตัวอย่าง

Fun-Realtime-ASR-preview ครองอันดับหนึ่งในคะแนนรวม และทำได้เช่นนั้นด้วยจุดแข็งจากชุดข้อมูลที่ยากที่สุดสองชุด ไม่ใช่ชุดที่ง่ายกว่า โดยยังทำงานที่ปัจจัยความเร็วมัธยฐาน 20.3 — ประมาณหนึ่งในยี่สิบของเวลาจริง — ซึ่งหมายความว่าเสียงหนึ่งชั่วโมงใช้เวลาประมาณสามนาที และมีราคาตั้งไว้ที่ 2.82 ดอลลาร์ต่อ 1,000 นาที ส่วน Scribe v3 ถอดเสียงด้วยความเร็ว 76.8 เท่าของเวลาจริง ในราคา 3.33 ดอลลาร์ต่อ 1,000 นาที ดังนั้นผู้นำจึงช้ากว่า ถูกกว่าเป็นหลัก และมีชื่อที่บอกว่า preview

ไม่มีสิ่งใดในนั้นทำให้การจัดอันดับผิด เพราะดัชนีวัดความแม่นยำ ไม่ใช่ความพร้อมใช้งาน แต่ก็หมายความว่าประโยค “Scribe v3 อยู่อันดับสอง” สื่อเป็นนัยว่าอันดับหนึ่งเป็นของโมเดลที่ใช้งานจริง ซึ่งไม่ใช่เช่นนั้น รายการของ Alibaba ไม่มีวันที่เปิดตัวบนกระดานจัดอันดับ ไม่มีรายละเอียดแยกตามภาษาที่เผยแพร่ และมีคำว่า “preview” อยู่ในตัวระบุ ทีมที่กำลังเลือกผู้ขายในไตรมาสนี้จึงกำลังเปรียบเทียบผลิตภัณฑ์ที่วางจำหน่ายจริงกับบิลด์สำหรับการประเมิน และช่องว่าง 0.22 คะแนนระหว่างทั้งสองนั้นน้อยกว่าความแตกต่างระหว่างคลังข้อมูลสองคลังภายในดัชนีเดียวกัน

v2 ถึง v3 โดยวัดสองวิธี

ตัวเลขการเปิดตัวของ ElevenLabs เองสำหรับ Scribe v3 คือการลดลง 27% ของข้อผิดพลาดระดับคำเมื่อเทียบกับ Scribe v2 ครอบคลุม 102 ภาษาในการรัน FLEURS ภายใน — จาก 16.94% ลดลงเหลือ 12.38% — โดยอ้างว่ามีการปรับปรุงในทุกภาษาที่ทดสอบ พร้อมกับการลดลง 12% ของข้อผิดพลาดในการแยกผู้พูด และ 17% เมื่อมีผู้พูดสามคนขึ้นไป ตัวเลขเหล่านี้เป็นตัวเลขของผู้ขาย ซึ่งรันบนเวอร์ชันของ benchmark สาธารณะของผู้ขายเอง และ ElevenLabs ก็เปิดเผยอย่างตรงไปตรงมาอย่างผิดปกติว่าการเฉลี่ย FLEURS ของตนเป็นแบบรายภาษาไม่ใช่ระดับคลังข้อความ จึงไม่สามารถเทียบได้กับตัวเลข FLEURS ที่เผยแพร่แล้ว

Artificial Analysis ซึ่งรันฮาร์เนสของตัวเอง แสดงให้เห็นการปรับปรุงที่น้อยกว่า: 2.18% เป็น 1.95% บนคอมโพสิต หรือประมาณ 11% ในเชิงสัมพัทธ์ และ 53.5× เป็น 76.8× บนทรูพุต ทั้งสองข้อความสามารถเป็นจริงได้ การปรับปรุงเชิงสัมพัทธ์ 27% บน FLEURS หลายภาษา และการปรับปรุงเชิงสัมพัทธ์ 11% บนคลังข้อความภาษาอังกฤษสามชุด กำลังวัดสิ่งที่แตกต่างกัน และช่องว่างระหว่างทั้งสองคือข้อเท็จจริงที่มีประโยชน์ที่สุดในเอกสารเปิดตัว — มันบอกคุณว่าการชนะนั้นกระจุกตัวอยู่นอกคำพูดภาษาอังกฤษแบบอ่านออกเสียง ซึ่งเป็นจุดที่ผู้ขายกล่าวว่าได้ตรวจดูพอดี

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.

ความแตกต่างด้านฟีเจอร์ระหว่างสองรุ่นนั้นแคบกว่าที่การตลาดสื่อ Scribe v3 ยังคงชุดฟีเจอร์ของ v2 ไว้ ได้แก่ การแยกผู้พูดได้สูงสุด 32 คน, คำสำคัญ 1,000 คำสำหรับแบบแบตช์, การประทับเวลาในระดับคำ, การตรวจจับเอนทิตี, การแก้ไขทรานสคริปต์, การส่งออกเป็น SRT และ DOCX โดยเพิ่มการอนุมานภาษาอัตโนมัติสำหรับไฟล์บันทึกเสียง, การควบคุมรูปแบบตัวเลข, รหัสภาษารอง และในฝั่งเรียลไทม์มีคลังคำสำคัญ 10,000 คำและการคาดการณ์การผลัดกันพูด แต่ก็ตัดอะไรบางอย่างออกไปด้วย: ไม่มีโหมดคำต่อคำ MAI-Transcribe-2 ของ Microsoft มีทั้งสไตล์คำต่อคำและสไตล์แบบสะอาดผ่านสวิตช์เดียว และสำหรับทรานสคริปต์ด้านการปฏิบัติตามข้อกำหนดและ QA นั่นคือความแตกต่างเชิงฟังก์ชัน ไม่ใช่แค่ความแตกต่างด้านรูปลักษณ์

สิ่งที่วันที่ 17 พฤศจิกายนทำกับการคำนวณ

แปดวันหลังเปิดตัว ElevenLabs ปรับลดราคา Speech to Text ทุกแผน โดยคิด $0.20 ต่อชั่วโมงสำหรับการถอดเสียงแบบแบตช์ และ $0.22 ต่อชั่วโมงสำหรับแบบเรียลไทม์ ทั้งในแผน self-serve และ Business สำหรับ Scribe ทุกรุ่น คิดเป็น $3.33 และ $3.67 ต่อ 1,000 นาที นี่คือตัวเลขที่ทำให้ตารางความแม่นยำนำไปใช้ได้จริง เพราะที่ราคาเดิม การด้อยกว่าด้านความแม่นยำ 0.09 จุดเมื่อเทียบกับ Microsoft นั้นพอจะปกป้องได้ง่าย และที่ราคาใหม่ ช่องว่างราคาก็กลายเป็นข้อโต้แย้งทั้งหมด

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.

ข้อควรระวังประการหนึ่งในการอ่านคอลัมน์ราคาของกระดานจัดอันดับ: ราคา $3.33 ของ Scribe v3 เท่ากับ $0.20 ต่อชั่วโมงพอดี และราคา $3.67 ของ Scribe v2 เท่ากับ $0.22 ต่อชั่วโมงพอดี ซึ่งเป็นอัตราแบบแบตช์และแบบเรียลไทม์ในรายการปัจจุบันของ ElevenLabs แถวของ ElevenLabs สองแถวที่กำหนดราคาตาม SKU ที่แตกต่างกันสองแบบจะถูกอ่านเป็นส่วนลด 34 เซนต์ต่อหนึ่งพันจาก v2 เป็น v3 ซึ่งไม่มีอยู่จริง ตรวจสอบว่าตัวติดตามเก็บตัวอย่างอะไรก่อนที่จะสรุปเรื่องราคาจากตารางที่จัดอันดับ

สำหรับใครก็ตามที่กำลังสร้างไปป์ไลน์รองรับทรานสคริปต์ ควรพูดให้ชัดเจนว่า ไม่มีโมเดลเสียงพูดเหล่านี้ — ไม่ว่าจะเป็น Scribe v3 หรือ MAI-Transcribe-2 — อยู่ในรายชื่อของ OrcaRouter และอัตราค่าใช้จ่ายข้างต้นเป็นของ ElevenLabs และ Microsoft ไม่ใช่ของเรา สิ่งที่เราจัดเส้นทางคือ เลเยอร์ที่ทรานสคริปต์ป้อนเข้า: บันทึกการประชุมไปยังโมเดลหนึ่ง การตรวจสอบด้านการปฏิบัติตามกฎระเบียบไปยังอีกโมเดลหนึ่ง ทั้งหมดอยู่เบื้องหลังคีย์เดียว โดยมี ราคาตามรายการของผู้ให้บริการที่ส่งต่อโดยบวกเพิ่ม 0% และ การสลับไปยังระบบสำรองอัตโนมัติระหว่างผู้ให้บริการ เรื่องนี้สำคัญกว่าในไปป์ไลน์เสียงพูดเมื่อเทียบกับที่อื่น เพราะทรานสคริปต์เป็นอินพุต ไม่ใช่ผลิตภัณฑ์ และผลิตภัณฑ์มักอยู่ปลายน้ำจากการเรียกโมเดลอีกสามครั้ง

สิ่งที่สองสัปดาห์ข้างหน้าควรจะคลี่คลาย

มีสองสิ่งที่ขาดไปจากภาพนี้ และทั้งคู่เป็นเรื่องชั่วคราว อย่างแรกคือลีดเดอร์บอร์ดแบบสตรีมมิ่ง Scribe v3 Live เปิดตัวพร้อมกับโมเดลแบบแบตช์ โดยอ้างว่าลดข้อผิดพลาดระดับคำได้ 31% และมี semantic WER ต่ำกว่า Scribe v2 Realtime 43% across 102 ภาษา พร้อมกับ realtime diarization ตัวแรกที่ ElevenLabs เปิดตัว — ข้อผิดพลาด 3.1% ในส่วนภาษาอังกฤษของชุดข้อมูล 16 ภาษา เทียบกับ 5.9% ถึง 7.3% สำหรับโมเดลเรียลไทม์อื่นๆ ตัวเลขเหล่านี้เป็นตัวเลขจากผู้ขายบนข้อมูลอ้างอิงที่ผู้ขายจัดทำขึ้น และลีดเดอร์บอร์ดแบบสตรีมมิ่งยังไม่ได้พล็อตโมเดลนี้ ดังนั้นข้ออ้างในขณะนี้จึงยังหักล้างไม่ได้ มากกว่าจะได้รับการยืนยัน

ตัวที่สองคือเวอร์ชันทางการแพทย์ Scribe v3 Live Medical ซึ่งไม่ใช่โมเดล API เลย: มันอยู่ใน ElevenAgents อยู่ในช่วง early access ต้องใช้เทิร์นโมเดลแบบ turn_v3 ไม่มีอัตราค่าบริการแยก และมีคำเตือนในเอกสารว่าไม่ให้ส่งข้อมูลสุขภาพที่ได้รับการคุ้มครองจนกว่าจะยืนยันคุณสมบัติตาม HIPAA สำหรับมันได้ โมเดลทางการแพทย์ของ batch API ยังคงเป็น Scribe v2 Medical ตระกูลนี้เปิดตัวโดยมีช่องว่างตรงจุดที่ผลิตภัณฑ์ batch ด้านคลินิกของมันควรจะอยู่

สรุปตรงๆ หนึ่งบรรทัดสำหรับ Scribe v3 หลังจากผ่านไปสิบวัน: มันเป็นโมเดลแบบไม่สตรีมมิ่งที่ดีที่สุดสำหรับเสียงอ่านที่ชัดเจน เป็นอันดับสองสำหรับการประชุม เป็นสิ่งที่เร็วที่สุดที่ ElevenLabs เคยเปิดตัว และ — หลังวันที่ 17 พฤศจิกายน — ราคาถูกพอที่ข้อโต้แย้งเรื่องความแม่นยำกับข้อโต้แย้งเรื่องราคาจะชี้ไปในทางเดียวกันในที่สุด สิ่งเดียวที่อยู่เหนือมันบนกระดานคือพรีวิว และพรีวิวไม่เซ็นสัญญา

© 2026 OrcaRouter

สำหรับผู้ให้บริการ

ให้บริการแพลตฟอร์มการอนุมานอยู่หรือไม่ นำโมเดลของคุณขึ้น OrcaRouter

[email protected]

เข้าร่วมคอมมูนิตี้ของเรา

Discord[email protected]XLinkedInGitHubYouTube