Por Canuto  

ElevenLabs presentó Scribe v3 y Scribe v3 Live, dos modelos de reconocimiento de voz orientados a conversaciones con ruido e interrupciones. La versión en tiempo real analiza el contexto para distinguir una pausa breve del final de una intervención, aunque las comparaciones citadas señalan que el modelo puede costar más y procesar el audio más lentamente que algunos competidores.
***

  • Scribe v3 está diseñado para audio pregrabado y Scribe v3 Live para aplicaciones de baja latencia; ElevenLabs afirma que el primero reduce en 27% los errores de palabras frente a Scribe v2 en 102 idiomas.
  • Artificial Analysis ubicó a Scribe v3 entre los modelos de transcripción más precisos evaluados, aunque las comparaciones citadas señalan que alternativas de Microsoft y xAI resultaron más rápidas y costaron aproximadamente la mitad.
  • La versión Live usa el contexto conversacional para evitar interrupciones prematuras, mientras ElevenLabs amplía sus herramientas para empresas y sus alianzas con Nvidia y McKinsey.

 

La compañía presentó Scribe v3 y Scribe v3 Live, dos modelos de reconocimiento de voz pensados para conversaciones con ruido, varias voces y pausas difíciles de interpretar. La versión en tiempo real busca evitar que un agente corte a una persona que solo se detuvo unos segundos para pensar, aunque las comparaciones citadas también señalan un costo y una velocidad menos competitivos que los de algunos rivales.

Los modelos ya están disponibles mediante ElevenAPI, la interfaz para desarrolladores de la empresa, y la plataforma ElevenAgents. ElevenLabs sostiene que su nueva familia mejora la transcripción en 102 idiomas y el reconocimiento de hablantes, mientras incorpora opciones para adaptar la salida a términos y formatos específicos de cada aplicación.

Dos modelos para transcribir conversaciones complejas

Scribe v3 se orienta a archivos de audio pregrabados, mientras que Scribe v3 Live apunta a servicios que necesitan procesar voz en tiempo real y con baja latencia. La diferencia es relevante para los desarrolladores: analizar una grabación después de una reunión permite priorizar la transcripción completa, pero un agente telefónico también debe decidir cuándo responder y cuándo seguir escuchando.

ElevenLabs afirma que Scribe v3 reduce 27% los errores de palabras frente a Scribe v2 en 102 idiomas, y destaca una mejora marcada en la precisión del alemán. La compañía también sostiene que la identificación de quién habla, conocida como diarización, funciona con mayor fiabilidad en grupos numerosos; Scribe v3 Live lleva esa capacidad a una experiencia en tiempo real.

El diseño de ambos modelos responde a escenarios en los que el audio no llega como una intervención limpia y ordenada. En reuniones, llamadas o grabaciones con ruido de fondo, varias personas pueden hablar al mismo tiempo, lo que complica tanto identificar las palabras como asignarlas al hablante correspondiente.

El reporte de The Decoder señala que los dos productos pueden utilizarse a través de ElevenAPI y ElevenAgents. Esa disponibilidad sitúa la transcripción dentro de un conjunto de herramientas para crear agentes de voz, aunque la información publicada no detalla tarifas diferentes para cada aplicación ni condiciones específicas para todos los tipos de uso.

Precisión alta con una contrapartida en precio y velocidad

Artificial Analysis ubica a Scribe v3 entre los modelos de transcripción más precisos de los que evalúa. El índice compara el rendimiento de distintos sistemas, aunque las cifras disponibles no permiten asumir que el modelo encabece todas las mediciones o se imponga en cada escenario de uso.

La ventaja de precisión tiene una contrapartida para quienes deben procesar grandes cantidades de audio de forma rápida y económica. En las comparaciones citadas, ElevenLabs queda en una posición intermedia de velocidad y precio, mientras que los modelos de Microsoft y xAI funcionan muchas veces más rápido y cuestan aproximadamente la mitad.

El precio de referencia de Scribe v3 es de USD 3,33 por cada 1.000 minutos, según la cifra consignada en el material de comparación. Las alternativas mencionadas presentan tasas de error algo más altas, por lo que una organización que valore sobre todo el volumen, el costo o la rapidez podría inclinarse por ellas en lugar de elegir el modelo con mayor precisión en esa comparación.

La comparación, sin embargo, no cubre todas las características que ElevenLabs destaca para su producto. El punto de referencia mide errores de palabras en archivos grabados y no evalúa las mejoras alegadas en diarización, idiomas menos comunes o el comportamiento de Scribe v3 Live durante una conversación en curso.

El contexto como respuesta a las interrupciones

Muchos agentes de voz deciden que una persona terminó de hablar mediante temporizadores de pausa rígidos. Si el interlocutor se detiene brevemente para pensar, lee despacio una cadena de números o necesita tomar aire, el sistema puede interpretar ese silencio como el final del turno y comenzar a hablar antes de tiempo.

Scribe v3 Live busca reducir ese problema al combinar la señal de audio con el contexto de la conversación. En vez de tratar cada pausa breve como una instrucción para responder, el modelo intenta determinar si la persona realmente terminó su intervención, una distinción que puede hacer que el intercambio con un agente se sienta menos apresurado.

La diferencia importa especialmente en llamadas en las que los usuarios dictan datos o explican una situación por partes. La fuente menciona como ejemplo a quienes leen lentamente una serie de números: si el sistema se adelanta durante una pausa, puede cortar información que todavía era parte de la misma frase.

ElevenLabs también ofrece controles para orientar el resultado de la transcripción. Los desarrolladores pueden precargar miles de términos especializados, como nombres de marcas o medicamentos, establecer reglas de formato para cifras y fechas mediante instrucciones en lenguaje natural, y activar un modo multilingüe que maneja cambios de idioma a mitad de una frase.

Herramientas empresariales y nuevas alianzas

Para clientes empresariales, ElevenLabs ofrece servidores aislados en la Unión Europea y un modo de retención cero, diseñado para eliminar los datos inmediatamente después de cada solicitud. Estas opciones se presentan como controles de infraestructura y tratamiento de información para organizaciones que necesitan definir dónde procesan sus solicitudes y cuánto tiempo conservan sus datos.

La expansión de Scribe v3 coincide con nuevos pasos de la compañía en el mercado empresarial. ElevenLabs amplió su asociación con Nvidia e integra el modelo de lenguaje abierto Nemotron 3.5 Super VL en ElevenAgents, además de asegurar capacidad de cómputo adicional que se ejecuta en infraestructura de Nvidia.

La colaboración también contempla el desarrollo de control de voz local para robots y la operación de un agente telefónico para el sistema de salud de Polonia. La información publicada no aporta más detalles sobre el alcance de esos proyectos, pero los presenta como parte de una estrategia que lleva las herramientas de voz más allá de la transcripción de reuniones o llamadas convencionales.

Por separado, ElevenLabs anunció una alianza con la firma de consultoría McKinsey y un programa más amplio para socios integradores de sistemas. También presentó un mercado de agentes de voz listos para usar, donde empresas como Salesforce, IBM y Zendesk ofrecen productos para organizaciones.

En conjunto, la presentación combina una mejora técnica centrada en la precisión y el manejo de pausas con una oferta dirigida a empresas que buscan desplegar agentes de voz. La comparación de rendimiento deja una decisión abierta para los compradores: elegir la exactitud que ElevenLabs reivindica o priorizar alternativas más rápidas y económicas, teniendo presente que las pruebas disponibles no miden todas las funciones anunciadas para Scribe v3 Live.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados