Thẻ tiêu đề ghi 'Scribe v3: đứng thứ hai với 1.95%' cùng phụ đề 'Chỉ số AA-WER không streaming, tháng 11 năm 2026', bên cạnh một bục ba thanh được dán nhãn 1.73% bản xem trước, 1.95% Scribe v3 màu bạc với điểm nhấn màu ấm, và 2.04%, phía trên chân trang ghi 'Số liệu theo Artificial Analysis, AA-WER v2.2'.
Guides & Insights

ElevenLabs Scribe v3: Đứng thứ hai trên AA-WER với 1,95%, xếp sau một bản Xem trước

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Con số nổi bật của ElevenLabs Scribe v3 là tỷ lệ lỗi từ 1,95%, đứng thứ hai trên bảng xếp hạng non-streaming AA-WER v2.2 của Artificial Analysis, sau Fun-Realtime-ASR-preview của Alibaba ở mức 1,73% và trước MAI-Transcribe-2 của Microsoft AI ở mức 2,04%. Câu đó chính xác và cũng là cách ít hữu ích nhất để đọc kết quả, bởi vì 1,95% không phải là một phép đo — mà là trung bình có trọng số của ba bộ kiểm thử khác nhau, và trên một trong số đó, Scribe v3 không hề đứng thứ hai. Nó đứng đầu, trước cả mô hình xếp trên nó. ElevenLabs phát hành Scribe v3 vào ngày 9 tháng 11 năm 2026, thay thế Scribe v2 trong cùng lệnh gọi API, và cắt giảm giá của mọi mô hình Scribe vào ngày 17 tháng 11. Sau mười ngày, câu hỏi đáng quan tâm không còn là liệu mô hình có tốt hay không. Mà là bạn nên tin con số nào trong ba con số đó.

Thực chất 1.95% đó được tạo nên từ gì

Artificial Analysis không công bố một chỉ số WER cho mỗi mô hình. Họ công bố một chỉ số tổng hợp (AA-WER Index) được xây dựng từ ba kho ngữ liệu đã được làm sạch, và mỗi kho ngữ liệu có một kiểu lỗi khác nhau: lời nói đọc từ sách nói kiểu LibriVox, phát biểu nghị trường từ Nghị viện châu Âu, và các cuộc gọi công bố thu nhập tự phát có nhiều người nói bằng tiếng Anh mang giọng địa phương. Việc lấy trung bình chúng thành một chỉ số duy nhất là một sự tiện lợi hợp lý và là một công cụ mua sắm tồi, vì ba kho ngữ liệu này không xếp hạng cùng các mô hình theo cùng một cách.

Đây là những gì bảng hiện tại hiển thị cho bốn vị trí dẫn đầu, được tách riêng. Mọi con số dưới đây là của chính Artificial Analysis, được đọc từ payload dữ liệu của bảng chứ không phải từ phần hiển thị đã làm tròn:

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

• Bộ AA-STT cốt lõi — Scribe v3 1,47%, Scribe v2 1,51%, MAI-Transcribe-2 1,83%, Fun-Realtime-ASR-preview 1,97%. Scribe v3 thắng dứt khoát ở hạng mục này, và mô hình được xếp hạng cao hơn nó lại đứng cuối trong bốn mô hình.

• VoxPopuli (nghị viện) — Fun-Realtime-ASR-preview 1,17%, MAI-Transcribe-2 1,50%, Scribe v3 1,52%, Scribe v2 1,74%. Scribe v3 đứng thứ ba ở đây, chỉ kém Microsoft một chút.

• Earnings-22 (tự phát, có trọng âm, nhiều người nói) — Fun-Realtime-ASR-preview 1,80%, MAI-Transcribe-2 2,99%, Scribe v3 3,34%, Scribe v2 3,95%. Đây là nơi thứ hạng đảo chiều mạnh nhất: Microsoft vượt ElevenLabs 0,35 điểm, và khoảng cách 0,09 điểm của chỉ số tổng hợp biến mất.

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.

Mô hình này không hề ngẫu nhiên. Scribe v3 mạnh nhất với giọng đọc rõ ràng và yếu nhất trên tập dữ liệu giống một cuộc họp thực tế — người nói chồng tiếng, lời nói không trôi chảy, băng thông điện thoại, giọng địa phương. Đó cũng chính là tập dữ liệu mà phần lớn người mua doanh nghiệp thực sự quan tâm, nên thứ hạng của điểm tổng hợp và trải nghiệm tại tổng đài có thể khác nhau. Nếu âm thanh của bạn là podcast và phỏng vấn trong phòng thu, con số 1,47% gần với thế giới của bạn hơn so với 1,95%. Nếu là các cuộc gọi bán hàng, thì con số đó là 3,34%.

Mô hình ở trên nó là bản xem trước

Fun-Realtime-ASR-preview đứng đầu về điểm tổng hợp, và đạt được điều đó nhờ hai bộ dữ liệu khó nhất chứ không phải bộ dễ. Nó cũng chạy với hệ số tốc độ trung vị là 20,3 — tức khoảng một phần hai mươi thời gian thực — nghĩa là một giờ âm thanh mất khoảng ba phút, và có giá niêm yết $2.82 cho mỗi 1.000 phút. Scribe v3 phiên âm ở tốc độ 76,8× thời gian thực với giá $3.33 cho mỗi 1.000 phút. Vậy là kẻ dẫn đầu chậm hơn, phần lớn rẻ hơn, và mang một cái tên có chữ preview.

Không điều nào trong số đó khiến bảng xếp hạng sai; chỉ số đo độ chính xác, không đo mức sẵn sàng. Nhưng điều đó có nghĩa là câu “Scribe v3 đứng thứ hai” ngụ ý vị trí đầu tiên thuộc về một mô hình đang vận hành chính thức, mà thực tế không phải vậy. Mục của A​libaba không có ngày phát hành trên bảng, không có phân tích chi tiết theo từng ngôn ngữ được công bố, và có chữ “preview” trong mã định danh. Một đội đang chọn nhà cung cấp trong quý này đang so sánh một sản phẩm đang bán ra với một bản đánh giá, và khoảng cách 0,22 điểm giữa chúng nhỏ hơn cả chênh lệch giữa hai tập dữ liệu trong cùng một chỉ số.

từ v2 đến v3, được đo theo hai cách

Các con số ra mắt của chính ElevenLabs cho Scribe v3 là {{1}}mức giảm 27% lỗi từ{{/1}} so với Scribe v2 trên 102 ngôn ngữ trong một lần chạy FLEURS nội bộ — {{2}}từ 16,94% xuống 12,38%{{/2}} — với cải thiện được tuyên bố ở mọi ngôn ngữ được thử nghiệm, cộng với {{3}}mức giảm 12% lỗi phân tách người nói{{/3}} và {{4}}17% khi có từ ba người nói trở lên{{/4}}. Đó là các con số của nhà cung cấp, được chạy trên phiên bản riêng của nhà cung cấp cho một bộ đánh giá chuẩn công khai, và ElevenLabs tỏ ra thẳng thắn một cách bất thường rằng cách tính trung bình FLEURS của họ là theo từng ngôn ngữ chứ không phải ở cấp độ toàn kho ngữ liệu, và do đó không thể so sánh với các con số FLEURS đã công bố.

Artificial Analysis, khi chạy bộ khung đánh giá của riêng mình, cho thấy mức tăng nhỏ hơn: từ 2,18% lên 1,95% trên chỉ số tổng hợp, tương đương khoảng 11% tương đối, và từ 53,5× lên 76,8× về thông lượng. Cả hai phát biểu đều có thể đúng. Mức cải thiện tương đối 27% trên FLEURS đa ngôn ngữ và mức cải thiện tương đối 11% trên ba tập ngữ liệu tiếng Anh đang đo những thứ khác nhau, và khoảng cách giữa chúng là dữ kiện hữu ích nhất trong tài liệu ra mắt — nó cho bạn biết lợi thế tập trung bên ngoài lời nói đọc tiếng Anh, đúng vào nơi mà nhà cung cấp nói rằng họ đã xem xét.

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.

Mức chênh lệch tính năng giữa hai thế hệ hẹp hơn những gì marketing ngụ ý. Scribe v3 giữ nguyên bộ tính năng của v2: tối đa 32 người nói trong phân tách người nói, 1.000 keyterm cho xử lý hàng loạt, dấu thời gian cấp từ, phát hiện thực thể, chỉnh sửa bản ghi, xuất sang SRT và DOCX. Nó bổ sung suy luận ngôn ngữ tự động cho một bản ghi âm, điều khiển định dạng số, mã ngôn ngữ phụ, và ở phía thời gian thực là thư viện keyterm 10.000 thuật ngữ cùng dự đoán lượt nói. Nó cũng bỏ đi một thứ: không có chế độ nguyên văn. MAI-Transcribe-2 của Microsoft cung cấp cả kiểu nguyên văn và kiểu sạch thông qua một công tắc, và đối với bản ghi dùng cho tuân thủ và QA, đó là khác biệt về chức năng chứ không phải hình thức.

Ngày 17 tháng 11 đã tác động thế nào đến phép tính

Tám ngày sau khi ra mắt, ElevenLabs đã đồng loạt cắt giảm giá Speech to Text: 0,20 USD mỗi giờ cho phiên âm theo lô và 0,22 USD mỗi giờ cho thời gian thực, trên các gói self-serve và Business, cho mọi mô hình Scribe. Đó là 3,33 USD và 3,67 USD cho mỗi 1.000 phút. Đây là con số khiến bảng độ chính xác có thể được dùng để ra quyết định, vì ở mức giá cũ, việc kém Microsoft 0,09 điểm độ chính xác rất dễ biện hộ, còn ở mức giá mới, khoảng cách giá chính là toàn bộ lập luận.

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.

Một lưu ý khi đọc cột giá của bảng xếp hạng: mức $3.33 của Scribe v3 đúng bằng $0.20 một giờ và mức $3.67 của Scribe v2 đúng bằng $0.22 một giờ, đây là giá batch và realtime trong danh sách hiện tại của ElevenLabs. Hai dòng ElevenLabs được định giá theo hai SKU khác nhau sẽ bị đọc thành mức giảm giá 34 xu trên mỗi nghìn từ v2 lên v3 — mức giảm giá không hề tồn tại. Hãy kiểm tra xem công cụ theo dõi đã lấy mẫu gì trước khi đưa ra kết luận về giá từ một bảng có xếp hạng.

Đáng nói thẳng với bất kỳ ai đang xây dựng pipeline phía sau bản ghi: không mô hình giọng nói nào trong số này — không phải Scribe v3, không phải MAI-Transcribe-2 — nằm trong danh sách của OrcaRouter, và mức giá ở trên là của ElevenLabs và Microsoft, không phải của chúng tôi. Thứ chúng tôi định tuyến là lớp mà bản ghi đổ vào: ghi chú cuộc họp đến một mô hình, đánh giá tuân thủ đến một mô hình khác, tất cả qua một khóa, với giá niêm yết của nhà cung cấp được chuyển qua với mức chênh lệch 0% và chuyển đổi dự phòng tự động giữa các nhà cung cấp. Điều đó còn quan trọng hơn trong các pipeline giọng nói so với những nơi khác, vì bản ghi là đầu vào, không phải sản phẩm, và sản phẩm thường nằm sau ba lần gọi mô hình.

Hai tuần tới nên giải quyết được điều gì

Có hai thứ đang thiếu trong bức tranh này và cả hai đều chỉ là tạm thời. Thứ nhất là bảng xếp hạng streaming. Scribe v3 Live đã ra mắt cùng mô hình batch với tuyên bố giảm 31% lỗi từ và WER ngữ nghĩa thấp hơn 43% so với Scribe v2 Realtime trên 102 ngôn ngữ, cùng với tính năng diarization (tách người nói) thời gian thực đầu tiên mà ElevenLabs phát hành — lỗi 3,1% trên phần tiếng Anh của một bộ 16 ngôn ngữ, so với 5,9% đến 7,3% ở các mô hình thời gian thực khác. Đó là những con số do nhà cung cấp công bố trên một tham chiếu do nhà cung cấp tự căn chỉnh, và bảng xếp hạng streaming vẫn chưa vẽ mô hình này, nên hiện tại tuyên bố này là không thể kiểm chứng sai chứ chưa được xác nhận.

Thứ hai là biến thể y tế, Scribe v3 Live Medical, hoàn toàn không phải mô hình API: nó nằm trong ElevenAgents, đang ở giai đoạn truy cập sớm, cần mô hình turn_v3, không có mức giá riêng và mang cảnh báo trong tài liệu là không được gửi thông tin sức khỏe được bảo vệ cho đến khi xác nhận đủ điều kiện HIPAA cho nó. Mô hình y tế của API hàng loạt vẫn là Scribe v2 Medical. Một dòng sản phẩm ra mắt với một lỗ hổng ngay tại vị trí lẽ ra phải có sản phẩm hàng loạt lâm sàng của nó.

Vậy nên, đánh giá thẳng thắn gói trong một dòng về Scribe v3 sau mười ngày: đây là mô hình không streaming tốt nhất trên giọng đọc sạch, tốt thứ hai trong các cuộc họp, là thứ nhanh nhất mà ElevenLabs từng tung ra, và — sau ngày 17 tháng 11 — đủ rẻ để cuối cùng lập luận về độ chính xác và lập luận về giá cùng chỉ về một hướng. Thứ duy nhất đứng trên nó trên bảng xếp hạng là một bản xem trước, mà bản xem trước thì không ký hợp đồng.