Scribe v3 معرفی شد؛ رونویسی دقیقتر گفتار در ۱۰۲ زبان
مدلهای تازه ElevenLabs برای رونویسی فایلهای ضبطشده و صدای زنده ساخته شدهاند. طبق آزمایشهای خود شرکت، دقت چندزبانه و تشخیص گوینده در این دو مدل بهتر شده است.
تهیهشده با کمک هوش مصنوعی از منابع ذکرشده

فهرست مطالب۵ بخش
ElevenLabs دو مدل تبدیل گفتار به متن با نامهای Scribe v3 و Scribe v3 Live معرفی کرده است. مدل نخست فایلهای ضبطشده را پردازش میکند و نسخه Live برای رونویسی همزمان تماسها، جلسههای آنلاین و مکالمه با عاملهای صوتی ساخته شده است. به گفته شرکت، هر دو مدل در تشخیص واژهها و تفکیک گویندهها از نسل قبلی دقیقترند.
#نکات کلیدی
- Scribe v3 برای فایلهای ضبطشده و Scribe v3 Live برای صدای زنده طراحی شدهاند.
- براساس آزمایشهای ElevenLabs، نرخ خطای واژه Scribe v3 در ۱۰۲ زبان، ۲۷ درصد کمتر از Scribe v2 است.
- نسخه Live در مقایسه با Scribe v2 Realtime، نرخ خطای معنایی واژه را ۴۳ درصد کاهش داده است.
- Scribe v3 در فایلهایی با سه گوینده یا بیشتر، ۱۷ درصد خطای کمتری در تفکیک گوینده دارد.
- در Scribe v3 میتوان فهرستی شامل حداکثر هزار نام، مخفف و اصطلاح تخصصی تعریف کرد.
#دو مدل برای فایل ضبطشده و صدای زنده
رونویسی صوت نقطه شروع بسیاری از ابزارهای ثبت جلسه، عاملهای صوتی، خدمات دوبله، مستندسازی بالینی و آرشیوهای صوتی است. اشتباه در متن اولیه ممکن است به خلاصهها، نتایج جستوجو و دیگر پردازشهای بعدی نیز منتقل شود.
طبق معرفی رسمی Scribe v3 و Scribe v3 Live، مدل Scribe v3 فایلهای ضبطشده را بهصورت غیرزنده پردازش میکند. Scribe v3 Live نیز هنگام مکالمه، گفتار را به متن تبدیل میکند و برای تماس تلفنی، جلسه آنلاین و محصولات صوتی تعاملی در نظر گرفته شده است.
Scribe v3 Live اکنون در ElevenAgents در دسترس است و هر دو مدل از طریق ElevenAPI نیز ارائه شدهاند. ElevenLabs میگوید توسعهدهندگان میتوانند با تغییر شناسه مدل در یک خط، از Scribe v2 به نسخه جدید مهاجرت کنند.
#تشخیص بهتر گویندهها و پایان صحبت
در رونویسی یک جلسه، سیستم باید علاوه بر واژهها تشخیص دهد که هر بخش را چه کسی گفته است. این کار که «تفکیک گوینده» نام دارد، در گفتوگوهای سریع و جلسههای چندنفره دشوارتر میشود.
براساس ارزیابی ElevenLabs، Scribe v3 در مجموع ۱۲ درصد خطای تفکیک گوینده کمتری از Scribe v2 دارد. این کاهش خطا در فایلهایی با سه گوینده یا بیشتر به ۱۷ درصد میرسد. نسخه Live نیز تفکیک گوینده را به رونویسی زنده اضافه کرده است. نرخ خطای آن در بخش انگلیسی مجموعهداده داخلی شرکت ۳٫۱ درصد اعلام شده؛ مدلهای زنده دیگری که ElevenLabs آزمایش کرده، نرخهایی بین ۵٫۹ تا ۷٫۳ درصد داشتهاند.
Scribe v3 Live برای تشخیص پایان صحبت فقط مدت سکوت را اندازه نمیگیرد و بافت مکالمه را نیز در نظر میگیرد. به گفته شرکت، اگر گوینده هنگام خواندن یک شماره یا در میانه جمله مکث کند، احتمال کمتری دارد که سیستم صحبت او را تمامشده تلقی کند.
#دقت چندزبانه و کنترل بیشتر بر خروجی
ElevenLabs مدلها را در ۱۰۲ زبان ارزیابی کرده است. طبق نتایج منتشرشده از سوی شرکت، Scribe v3 در مقایسه با Scribe v2 نرخ خطای واژه را ۲۷ درصد کاهش داده و در تمام زبانهای آزمایششده عملکرد بهتری داشته است. Scribe v3 Live نیز نسبت به Scribe v2 Realtime، نرخ خطای معنایی واژه را ۴۳ درصد و نرخ معمول خطای واژه را ۳۱ درصد کاهش داده است.
در معیار خطای معنایی، تفاوتی خطا شمرده میشود که معنای متن را تغییر دهد. این معیار برای مدلهای زنده مناسبتر است، زیرا چنین مدلهایی پیش از شنیدن تمام جمله شروع به نوشتن میکنند و ممکن است اعداد، نشانهگذاری یا بزرگی و کوچکی حروف را به شکل متفاوتی نمایش دهند.
Scribe v3 چند گزینه برای کنترل خروجی دارد. کاربر میتواند فهرستی شامل حداکثر هزار نام برند، مخفف یا اصطلاح تخصصی به مدل بدهد، نمایش اعداد بهصورت رقم یا واژه را انتخاب کند و قواعد قالببندی را با دستورهای متنی بنویسد. این مدل همچنین میتواند سرنخهایی درباره زبانهای موجود در فایل دریافت کند.
نسخه Live از مکالمههایی پشتیبانی میکند که زبان آنها در میانه جمله تغییر میکند. این نسخه یک کتابخانه اصطلاحات نیز دارد که میتواند هزاران واژه را نگه دارد و هنگام شنیدن یک تطابق احتمالی به آن مراجعه کند.
#نتایج هنوز مستقل ارزیابی نشدهاند
همه درصدهای اعلامشده حاصل آزمایشهای خود ElevenLabs هستند. شرکت برای سنجش دقت چندزبانه از نسخه داخلی بنچمارک FLEURS و برای بررسی صدای واقعی از مجموعهدادهای شامل جلسهها، تماسهای عاملهای صوتی و یادداشتهای صوتی در ۱۶ زبان استفاده کرده است. ElevenLabs گفته این مجموعهداده داخلی را بهزودی متنباز میکند؛ بنابراین مقایسه کامل نتایج با ارزیابیهای مستقل، پس از انتشار جزئیات بیشتر امکانپذیر خواهد بود.
مطالب مرتبط
برای ادامه مطالعه
این یادداشتها بر اساس موضوع مشترک، همپوشانی برچسبها و تازگی انتشار انتخاب میشوند.

Qwen4-Max با زمینه یکمیلیونتوکنی و هزینه کمتر عرضه شد
علیبابا Qwen4-Max رو با زمینه یکمیلیونتوکنی و پشتیبانی مستقیم از تصویر عرضه کرده. طبق آزمون داخلی شرکت، این مدل با توکن و هزینه کمتری از پس وظایف تخصصی برمیاد.


دیدگاهها
اولین نفری باش که دیدگاه میذاره
دیدگاهها پس از بررسی منتشر میشوند. ایمیل شما نمایش داده نمیشود.