ภาพแสดงหน้าอย่างเป็นทางการ ณ วันที่ถ่าย ซึ่งอาจแตกต่างจากวันที่เผยแพร่บทความ เลือกภาพเพื่อขยาย
เมื่อวันที่ 10 พฤศจิกายน 2026 ElevenLabs บริษัท AI ด้านเสียง เปิดตัว "Scribe v3" AI ที่ถอดเสียงพูดเป็นข้อความ โดยมี 2 แบบ คือ Scribe v3 สำหรับเสียงที่บันทึกไว้ และ "Scribe v3 Live" สำหรับใช้งานแบบเรียลไทม์ ที่ถอดบทสนทนาเป็นข้อความได้ทันที
ความแม่นยำดีขึ้นอย่างมาก
ตามข้อมูลของ ElevenLabs โมเดล Scribe v3 มีข้อผิดพลาดระดับคำน้อยกว่า Scribe v2 รุ่นก่อน 27% การเปรียบเทียบนี้ทำใน 102 ภาษา และบริษัทระบุว่าความแม่นยำดีขึ้นในทุกภาษาที่ทดสอบ เมื่อแยกตามภาษา ข้อผิดพลาดลดลง 42% ในภาษาเยอรมัน 35% ในภาษาสเปน 23% ในภาษาอังกฤษ และ 28% ในภาษาไทย ความแม่นยำในการแยกว่าใครเป็นผู้พูดในเสียงที่มีหลายคนพูดก็ดีขึ้นเช่นกัน โดยในบทสนทนาตั้งแต่ 3 คนขึ้นไป ข้อผิดพลาดลดลง 17%
สำหรับ Scribe v3 Live ที่ใช้งานแบบเรียลไทม์ ข้อผิดพลาดที่ทำให้ความหมายเปลี่ยนไปลดลง 43% เมื่อเทียบกับเวอร์ชันเรียลไทม์รุ่นก่อน และครั้งนี้เป็นครั้งแรกที่แยกผู้พูดได้แบบเรียลไทม์ ในส่วนภาษาอังกฤษของชุดข้อมูลประเมินของ ElevenLabs เอง อัตราความผิดพลาดในการแยกผู้พูดอยู่ที่ 3.1% ซึ่งบริษัทระบุว่าต่ำกว่าโมเดลเรียลไทม์อื่นที่ ElevenLabs ทดสอบ (5.9–7.3%)
ฟีเจอร์หลัก
ฟีเจอร์หลักมีดังนี้ โดย 3 ข้อแรกเป็นฟีเจอร์ของ Scribe v3 สำหรับเสียงที่บันทึกไว้
- ลงทะเบียนศัพท์เฉพาะและชื่อเฉพาะได้สูงสุด 1,000 คำ ช่วยให้ถอดความได้ถูกต้องขึ้น (เวอร์ชันเรียลไทม์มีวิธีที่ลงทะเบียนคำได้มากกว่านี้)
- เลือกได้ว่าจะเขียนตัวเลขเป็นเลขอารบิกหรือเขียนเป็นคำ
- สั่งรูปแบบการจัดข้อความที่ถอดได้ด้วยภาษาธรรมดา เช่น "จัดให้อยู่ในรูปแบบ..."
- เวอร์ชันเรียลไทม์รองรับบทสนทนาที่สลับภาษากลางประโยค
- ตัดสินว่าผู้พูดพูดจบแล้วหรือยัง โดยดูจากทั้งช่วงเงียบและบริบทของบทสนทนา
การเปรียบเทียบความแม่นยำเป็นการวัดผลโดย ElevenLabs เอง
ช่องทางที่ใช้งานได้
Scribe v3 และ Scribe v3 Live กลายเป็นโมเดลมาตรฐานในแอปของ ElevenLabs แล้ว นักพัฒนาสามารถเปลี่ยนมาใช้ได้เพียงแก้ชื่อโมเดลที่ระบุใน API ส่วน Scribe v3 Live ยังใช้ได้ในบริการของ ElevenLabs สำหรับสร้างเอเจนต์ AI ที่โต้ตอบด้วยเสียงด้วย
สำหรับองค์กร มีทั้งการตั้งค่าไม่เก็บข้อมูล การประมวลผลในสภาพแวดล้อมแยกเฉพาะใน EU อินเดีย และสิงคโปร์ นอกเหนือจากสหรัฐฯ ซึ่งเป็นค่ามาตรฐาน และสัญญาที่รองรับกฎระเบียบข้อมูลทางการแพทย์ของสหรัฐฯ (HIPAA) เป็นต้น ราคาไม่ได้ระบุไว้ในประกาศ ต้องตรวจสอบจากหน้าราคาของ ElevenLabs
มุมมองของกองบรรณาธิการ CoAI
ElevenLabs เป็นที่รู้จักในด้านการอ่านออกเสียง (แปลงข้อความเป็นเสียง) แต่ตอนนี้เริ่มชูความแม่นยำสูงในด้านการถอดเสียงด้วย บริษัทระบุว่าความแม่นยำดีขึ้นใน 102 ภาษา จึงคาดหวังได้ว่าการถอดเสียงการประชุมหรือการสัมภาษณ์ที่มีภาษาญี่ปุ่นก็น่าจะดีขึ้นเช่นกัน อย่างไรก็ตาม ในประกาศไม่ได้ระบุว่าภาษาญี่ปุ่นดีขึ้นมากน้อยเพียงใด วิธีที่แน่นอนที่สุดคือทดลองกับเสียงจริงเพื่อตรวจสอบ
