Scribe v3 : moins d'erreurs en transcription et temps réel
ElevenLabs annonce Scribe v3 et Scribe v3 Live, avec moins d'erreurs, une meilleure diarisation et un temps réel plus fiable.
ElevenLabs annonce Scribe v3 et Scribe v3 Live, deux modèles de speech-to-text pensés pour deux usages distincts : l'audio enregistré et l'audio temps réel. L'enjeu est simple pour les équipes métier : réduire les corrections manuelles, mieux identifier les locuteurs et rendre les agents vocaux plus fluides.
Ce qui change concrètement
Scribe v3 cible d'abord la transcription d'audio enregistré : réunions, appels, notes vocales, archives, contenus vidéo ou documentation clinique. Selon ElevenLabs, le modèle fait 27 % d'erreurs de mots en moins que Scribe v2 sur 102 langues. Cette mesure porte sur le WER, pour word error rate, un indicateur classique qui compte les substitutions, oublis et ajouts de mots.
La nouveauté ne concerne pas seulement les mots. Scribe v3 améliore aussi la diarisation, c'est-à-dire l'identification de qui parle. ElevenLabs annonce 12 % d'erreurs de diarisation en moins que Scribe v2 au global, et 17 % de moins sur les enregistrements à trois locuteurs ou plus. C'est un point clé pour les comptes rendus de réunion, les entretiens, les comités projet ou les appels à plusieurs intervenants.
Scribe v3 Live vise un autre problème : la transcription en direct. ElevenLabs indique que cette version à faible latence fait 43 % d'erreurs en moins que Scribe v2 Realtime. La documentation parle aussi d'une baisse de 44 % du semantic WER par rapport à Scribe v2 Realtime sur FLEURS. Le semantic WER ne compte une erreur que si le sens change, ce qui est utile pour évaluer un usage conversationnel.
La grande avancée de Scribe v3 Live est l'arrivée de la diarisation en temps réel. Jusqu'ici, identifier les locuteurs en direct restait souvent moins fiable que sur un fichier traité après coup. ElevenLabs indique un diarization error rate de 3,1 % sur la partie anglaise de son dataset réel à 16 langues, contre 5,9 % à 7,3 % pour les autres modèles temps réel testés.
Autre amélioration importante : la détection des tours de parole. Scribe v3 Live ne se base pas seulement sur le silence. Le modèle utilise aussi le contexte de la conversation et l'audio pour éviter de couper un utilisateur qui fait une pause au milieu d'une phrase, d'un numéro ou d'une formulation hésitante. Pour un agent vocal, c'est souvent la différence entre une interaction naturelle et une expérience frustrante.
Enfin, ElevenLabs ajoute plus de contrôle sur la sortie. La documentation mentionne, pour Scribe v3, la diarisation jusqu'à 32 speakers, les timestamps au niveau mot, le choix d'écrire les nombres en chiffres ou en mots, les sous-langues secondaires et le prompting de mots-clés jusqu'à 1 000 termes. Pour Scribe v3 Live, la documentation évoque une keyterm library pouvant aller jusqu'à 100 000 termes.
Comment l'essayer
Scribe v3 Live est disponible dans ElevenAgents depuis l'annonce. Scribe v3 et Scribe v3 Live sont aussi disponibles dans ElevenAPI. Pour passer de Scribe v2 aux nouveaux modèles, ElevenLabs indique qu'il faut changer le model ID vers scribe_v3 ou scribe_v3_live.
Côté prix API, la page tarifaire ElevenLabs affiche 0,20 $ par heure pour Scribe et 0,22 $ par heure pour Scribe realtime, hors taxes. La facturation Speech to Text se fait à la minute audio. L'usage peut être consulté dans l'onglet analytics du Developers dashboard.
Pour la France, ElevenLabs n'annonce pas une disponibilité publique séparée. Les modèles tournent par défaut aux États-Unis. L'entreprise indique toutefois proposer des environnements isolés en UE, en Inde et à Singapour pour les clients Enterprise ayant des exigences de résidence des données. La documentation data residency précise que, pour les clients soumis au GDPR, des options permettent de limiter le stockage et, dans certains cas, le traitement à l'UE. ElevenLabs a aussi indiqué que la résidence européenne est réservée aux clients Enterprise.
Pour qui, et pour quoi faire
Le cas d'usage le plus évident est le compte rendu professionnel fiable. Imagine une équipe commerciale qui enregistre des appels de qualification, avec plusieurs intervenants, des noms de produits, des acronymes et parfois un changement de langue. Scribe v3 peut servir à produire une transcription plus propre, avec les bons locuteurs et des termes métier mieux reconnus grâce au prompting de mots-clés.
Le même raisonnement vaut pour les centres de contact, les équipes support et les services RH. Une transcription plus précise rend les synthèses, recherches et analyses qualité plus utiles. Elle réduit aussi le risque qu'une action soit attribuée au mauvais interlocuteur.
Scribe v3 Live vise surtout les produits interactifs : agents vocaux, assistants téléphoniques, outils de prise de notes en direct, interfaces de dictée ou solutions de sous-titrage temps réel. La diarisation en direct et la meilleure détection des tours de parole peuvent aider un agent à savoir qui parle, quand répondre et quand attendre.
Limites et points de vigilance
Les chiffres de précision viennent d'ElevenLabs et de ses évaluations. Ils donnent une indication utile, mais ils ne remplacent pas un test sur tes propres audios : accents, bruit, micros, jargon, débit de parole et nombre de locuteurs peuvent changer fortement les résultats.
Le temps réel impose aussi des compromis. Même avec moins d'erreurs, une transcription live peut rester sensible aux chevauchements de parole, aux pauses ambiguës ou aux mots rares. Pour un usage critique, il faut prévoir une vérification humaine ou un workflow de correction.
La résidence des données doit être examinée tôt si ton organisation traite des données sensibles ou personnelles. Les options UE existent pour les clients Enterprise, mais ElevenLabs ne les présente pas comme une option standard pour tous les comptes. Le prix réel dépendra aussi du volume audio, de l'usage API et du contrat éventuel.
Enfin, la comparaison historique est intéressante : selon TechCrunch, Scribe était le premier modèle stand-alone de speech-to-text d'ElevenLabs lors de son lancement, avec plus de 99 langues supportées et une version temps réel déjà annoncée comme à venir. Scribe v3 marque donc une étape de maturité, surtout sur les usages multilingues et live.
L'avis NXUS
Scribe v3 mérite l'attention si tu transcris déjà beaucoup d'audio et que le coût principal vient des corrections manuelles. Le gain annoncé sur le WER, la diarisation et les mots-clés peut avoir un impact direct sur les comptes rendus, les CRM et les bases de connaissance.
Pour un agent vocal, Scribe v3 Live est le point le plus intéressant : la détection des tours de parole et la diarisation en direct répondent à des irritants très concrets. Avant de généraliser, teste un petit corpus représentatif, avec tes vrais accents, tes vrais termes métier et tes contraintes de conformité.
Si ton projet concerne des agents IA en entreprise, commence aussi par cadrer le parcours utilisateur et les garde-fous, pas seulement le modèle de transcription. Le guide NXUS sur les agents IA en entreprise peut aider à structurer cette réflexion.
Sources
Source : ElevenLabs
Rudy Molinillo
