Компания ElevenLabs анонсировала обновленную систему распознавания речи под названием Scribe v2 Realtime, которая работает с минимальной задержкой и преобразует аудиопоток в текст практически мгновенно. По данным разработчиков, новая модель превосходит аналогичные решения от крупных технологических компаний, включая Google, OpenAI и Deepgram, по показателям точности при работе с живым аудио.

Система расшифровывает речь с задержкой менее 150 миллисекунд, что делает её одной из самых быстрых на рынке. Модель предназначена для задач, где критически важны скорость обработки и высокая точность результата. Первая версия Scribe уже зарекомендовала себя как высокоточное решение для транскрибации, а новое поколение делает упор именно на режим реального времени. Разработка ориентирована на коммерческое применение и доступна через API платформы.

Нейросеть Scribe v2 Realtime распознает речь даже в условиях фонового шума, при наличии акцентов у говорящих и быстрой смене голосов в диалоге. Модель автоматически определяет язык звучащей речи и способна переключаться между несколькими языками без дополнительных настроек — поддерживаются английский, хинди, польский, японский и десятки других языков. Система использует технологию предсказания слов и корректирует транскрипцию по мере поступления аудиоданных, что повышает точность расшифровки прямо во время разговора. Задержка в работе составляет менее 150 миллисекунд, что обеспечивает практически синхронное преобразование речи в текст.

Разработчики заложили в систему соответствие промышленным стандартам безопасности, включая SOC 2, HIPAA и PCI DSS, что делает решение пригодным для работы с конфиденциальными данными в различных отраслях. Модель применима для автоматической расшифровки звонков в отделах продаж и службах поддержки клиентов, где важна оперативная обработка информации. Система подходит для создания субтитров в режиме реального времени на стримах, вебинарах и мероприятиях, а также ускоряет обработку интервью и подкастов.

ElevenLabs провела внутреннее тестирование, результаты которого показали преимущество Scribe v2 Realtime перед конкурентами в сложных условиях записи. Система демонстрирует высокую точность распознавания при работе с аудиофайлами, содержащими шум или наложение нескольких голосов одновременно. Компания позиционирует разработку как серьезную заявку на лидерство в сегменте живой транскрипции.

Scribe v2 Realtime уже доступна через API ElevenLabs и может интегрироваться в коммерческие продукты различного назначения. Платформа поддерживает работу с десятками языков и предлагает корпоративным клиентам расширенные опции безопасности с возможностью хранения данных в выбранных регионах. Решение превращает непрерывный поток речи в структурированный текст без потерь точности и с минимальной временной задержкой. Ранее компания представила ИИ-редактор Studio 3.0, объединяющий ключевые инструменты платформы для работы с голосовыми технологиями.

Читайте также:

• Нейросеть Fadr: новый инструмент для музыкантов и продюсеров
• Как пользоваться нейросетью Mubert: создаем качественную музыку за пару кликов
• Как пользоваться нейросетью Brev AI для создания музыкальных композиций: пошаговая инструкция
• Как пользоваться нейросетью PlayHT: преобразуем текст в аудио звук