画面は撮影時点の公式ページです。記事公開時の画面とは異なる場合があります。画像を選択すると拡大表示できます。
音声AIのElevenLabsは2026年11月10日、音声を文字に起こすAI「Scribe v3」を公開しました。録音した音声向けのScribe v3と、会話などをその場で文字にするリアルタイム用の「Scribe v3 Live」の2種類です。
精度が大きく向上
ElevenLabsによると、Scribe v3は前のScribe v2より、単語の誤りが27%少なくなりました。この比較は102言語で行い、試したすべての言語で精度が上がったとしています。言語別では、ドイツ語で42%、スペイン語で35%、英語で23%、タイ語で28%、誤りが減りました。複数の人が話す録音で、誰が話したかを区別する精度も上がり、3人以上の会話では誤りが17%減ったとしています。
リアルタイム用のScribe v3 Liveは、前のリアルタイム版より、意味が変わってしまう誤りが43%少なくなりました。今回初めて、リアルタイムでも話者を区別できるようになりました。ElevenLabs独自の評価データの英語部分では、話者の区別の誤り率が3.1%で、ElevenLabsが試したほかのリアルタイムのモデル（5.9〜7.3%）を下回ったとしています。
主な機能
主な機能は次のとおりです。最初の3つは、録音向けのScribe v3の機能です。
- 専門用語や固有名詞を最大1,000語まで登録でき、正しく書き起こしやすくなる（リアルタイム版には、より多くの語を登録できる仕組みがある）
- 数字を算用数字で書くか、言葉で書くかを選べる
- 「〜の形式に整えて」のように、普通の文章で書き起こしの整え方を指示できる
- リアルタイム版は、文の途中で言語が切り替わる会話にも対応する
- 沈黙だけでなく会話の流れから、話し手が話し終えたかを判断する
精度の比較は、ElevenLabs自身による測定です。
使える場所
Scribe v3とScribe v3 Liveは、ElevenLabsのアプリで標準のモデルになりました。開発者は、APIでモデルの指定を書き換えるだけで切り替えられます。Scribe v3 Liveは、会話するAIエージェントを作るElevenLabsのサービスでも使えます。
企業向けには、データを保存しない設定や、標準の米国に加えてEU・インド・シンガポールの隔離された環境での処理、米国の医療情報の規制（HIPAA）に対応した契約などを用意しています。料金は発表では示されておらず、ElevenLabsの料金ページで確認する必要があります。
CoAI編集部の視点
ElevenLabsは音声の読み上げで知られていますが、文字起こしでも精度の高さを打ち出してきました。102言語で精度が上がったとしており、日本語を含む会議や取材の録音を文字にする用途でも改善が期待できます。ただし、発表では日本語での改善幅は示されていないため、実際の音声で試して確かめるのが確実です。
