Новини›Ton›Scribe v3 и v3 Live: нови модели за превод на реч в текст
Ton

Scribe v3 и v3 Live: нови модели за превод на реч в текст

ElevenLabs · вторник, 10 ноември, 14:00 · 1 мин четене

По-точни при повече говорители, в реално време и на повече езици.

ElevenLabs пусна два нови модела за превръщане на реч в текст: Scribe v3 за записани файлове и Scribe v3 Live за аудио в реално време.

Scribe v3 прави с 27 на сто по-малко грешки в думите от Scribe v2. При записи с трима или повече говорители има с 17 на сто по-малко грешки в разпознаването кой кога говори, а това са записите, с които повечето модели се справят най-зле. Scribe v3 Live за първи път добавя разпознаване на говорителите и в реално време, с 39 на сто по-малко такива грешки от следващия най-добър модел в сравнението.

Моделът определя дали човек е приключил репликата си по смисъла на разговора, а не само по паузата. Така събеседник, който спре по средата на число, няма да бъде прекъснат. Можеш да зададеш до 1000 специфични термина, като имена на марки и съкращения, а правилата за форматиране се пишат с обикновени думи, например датите да са във вид ГГГГ-ММ-ДД.

Scribe v3 Live поддържа и смесен режим за разговори, в които се сменя езикът по средата на изречението, както и библиотека с ключови термини за много големи речници. Тестовете са направени върху 102 езика и върху собствен набор от срещи и гласови записи на 16 езика. Моделите са достъпни в ElevenAgents и в ElevenAPI, а при преминаване от Scribe v2 се сменя само идентификаторът на модела.

Още новини