ElevenLabs משיקה את Scribe v3: דיוק גבוה בתמלול, אבל מתחרים מהירים וזולים יותר

חברת ElevenLabs, שמוכרת בעיקר בזכות טכנולוגיית יצירת הקול שלה, השיקה שני מודלים חדשים להמרת דיבור לטקסט: ‏Scribe v3 ו-Scribe v3 Live. שניהם נבנו לתנאי שמע קשים, למשל ישיבות שבהן אנשים מדברים זה על זה או שיחות טלפון עם רעשי רקע. מבדקים בלתי תלויים מציבים את המודל בין המדויקים ביותר בשוק. מנגד, הוא איטי ויקר יותר מהמודלים של מיקרוסופט ושל xAI.

שני מודלים, שני שימושים

Scribe v3 מיועד לתמלול קבצי שמע מוקלטים, ו-Scribe v3 Live מיועד ליישומים בזמן אמת שבהם ההשהיה (latency) צריכה להיות נמוכה. שני המודלים זמינים כבר עכשיו דרך ממשק המפתחים ElevenAPI ופלטפורמת ElevenAgents.

לדברי החברה, Scribe v3 מוריד את שיעור השגיאות במילים בכ-25% לעומת הגרסה הקודמת, ב-102 שפות. לפי ElevenLabs, גם זיהוי הדוברים (diarization), כלומר היכולת לקבוע מי אמר מה, אמין יותר בשיחות קבוצתיות גדולות. ב-Scribe v3 Live היכולת הזו זמינה לראשונה גם בזמן אמת.

מדויק, אבל לא הכי משתלם

לפי המדדים של Artificial Analysis, ‏Scribe v3 עוקף בדיוק את המתחרים של מיקרוסופט, Mistral,‏ xAI, גוגל ו-OpenAI, ונמצא מאחורי מודל אחד בלבד: מודל בגרסת preview של עליבאבא. המחיר שלו במבחן הוא 3.33 דולר ל-1,000 דקות שמע.

במהירות ובמחיר ElevenLabs ממוקמת באמצע הטבלה. המודלים של מיקרוסופט ושל xAI מהירים ממנו פי כמה, שיעור השגיאות שלהם גבוה ממנו רק במעט, והם עולים בערך חצי. המשמעות המעשית: ארגון שצריך לתמלל כמויות גדולות של שמע במהירות ובזול ימצא ככל הנראה חלופות משתלמות יותר.

חשוב לזכור שהמבחן מודד רק שגיאות מילים בקבצים מוקלטים. השיפורים ש-ElevenLabs מדגישה, כמו זיהוי דוברים, ביצועים בשפות נדירות והתנהגות המודל בזמן אמת, לא נבדקים בו.

סוכן קול שלא קוטע אותך

הבשורה המעניינת יותר נמצאת ככל הנראה ב-Scribe v3 Live. מערכות של סוכני קול נשענות היום לעיתים קרובות על טיימר שתיקה קבוע, ולכן קוטעות את המתקשר כשהוא עוצר לחשוב או מקריא לאט רצף מספרים. המודל החדש מנתח את הקשר השיחה לצד אות השמע, כדי לזהות מתי הדובר באמת סיים לדבר.

מעבר לכך, מפתחים יכולים לטעון למודל אלפי מונחים ייעודיים, כמו שמות מותגים או תרופות, כדי שלא ישמע אותם לא נכון. הם יכולים גם להגדיר בשפה טבעית כללי עיצוב למספרים ולתאריכים, ומצב רב-לשוני מטפל במעבר בין שפות באמצע משפט. לקוחות ארגוניים מקבלים שרתים מבודדים באיחוד האירופי ומצב zero-retention, שנועד למחוק את הנתונים מיד אחרי כל בקשה.

מהלך ארגוני רחב

במקביל ElevenLabs מרחיבה את הפעילות הארגונית שלה. במסגרת שותפות מורחבת עם אנבידיה היא משלבת את מודל השפה הפתוח Nemotron 3.5 Super VL ב-ElevenAgents, מבטיחה לעצמה כוח מחשוב נוסף על חומרה של אנבידיה, מפתחת שליטה קולית מקומית ברובוטים ומפעילה סוכן טלפוני עבור מערכת הבריאות הציבורית של פולין. החברה הכריזה גם על ברית עם חברת הייעוץ McKinsey, על תוכנית שותפים מורחבת לאינטגרטורים ועל marketplace משלה, שבו חברות כמו Salesforce,‏ IBM ו-Zendesk מציעות סוכני קול מוכנים.

למה זה חשוב

התמונה שעולה היא של שוק תמלול שבו כמה אחוזים בודדים של דיוק כבר לא מספיקים כדי לבלוט. נראה ש-ElevenLabs לא מנסה לנצח במחיר. היא מכוונת לשימושים שבהם טעות או קטיעה עולות ביוקר, כמו מוקדי שירות, רפואה ולקוחות ארגוניים עם דרישות פרטיות. השאלה היא אם היתרונות שהמדדים הנוכחיים לא בודקים, ובראשם ההתנהגות בשיחה חיה, יצדיקו את הפער במחיר ובמהירות.